Swarm Robot PSO Dalam Pencarian Sumber Asap (hanya sebagian dari isi buku)

DAFTAR ISI

Dewan Redaksi i

Kata Pengantar dari Penulis ii

Informasi v

Daftar Isi vii

Daftar Gambar xi

Daftar Tabel xvii

Daftar Algoritma xix

1 Gas dan Asap 11.1 Sekilas Mengenai Gas dan Asap . . . . . . . . . . . . . . . . . . . . . 1

1.1.1 Gas dan Asap dalam Keseharian . . . . . . . . . . . . . . . . . 3

1.1.2 Jenis-jenis Gas dan Asap . . . . . . . . . . . . . . . . . . . . . 6

1.2 Permasalahan dengan Gas dan Asap . . . . . . . . . . . . . . . . . . . 8

1.2.1 Permasalahan Pada Daerah Perumahan . . . . . . . . . . . . . 8

1.2.2 Permasalahan Pada Daerah Industri . . . . . . . . . . . . . . . 9

1.2.3 Permasalahan di Hutan . . . . . . . . . . . . . . . . . . . . . . 10

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

1.3.1 Penanganan Konvensional . . . . . . . . . . . . . . . . . . . . 12

1.3.2 Kelemahan Metode Konvensional . . . . . . . . . . . . . . . . 14

1.3.3 Kemungkinan Pemanfaatan Teknologi . . . . . . . . . . . . . . 15

1.4 Refleksi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2 Teknik Autonomus pada Pencarian Sumber Asap 192.1 Faktor-Faktor Penting dalam Pencarian Sumber Asap . . . . . . . . . . 20

2.2 Pencarian Berbasis Satu Robot . . . . . . . . . . . . . . . . . . . . . . 26

2.2.1 Pendekatan dengan Anemotaksis . . . . . . . . . . . . . . . . . 27

2.2.2 Pendekatan dengan Kemotaksis . . . . . . . . . . . . . . . . . 29

2.2.3 Pendekatan dengan Odor-Gated Rheotaxis . . . . . . . . . . . 31

2.2.4 Pendekatan dengan Algoritma Zig-zag . . . . . . . . . . . . . . 33

2.2.5 Pendekatan dengan Surge Spiral . . . . . . . . . . . . . . . . . 35

vii

2.3 Pencarian Berbasis Banyak Robot . . . . . . . . . . . . . . . . . . . . 37

2.4 Pencarian Berbasis Swarm . . . . . . . . . . . . . . . . . . . . . . . . 40

2.5 Pertanyaan Refleksi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42

3 Pencarian Sumber Asap Dalam Multidisiplin 453.1 Pemodelan Gas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49

3.1.1 Pemodelan Matematis Gas Dasar . . . . . . . . . . . . . . . . 50

3.1.2 Pemodelan Matematis Gas Modifikasi . . . . . . . . . . . . . . 55

3.1.3 Pemodelan Gas Untuk OSL . . . . . . . . . . . . . . . . . . . 60

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

3.2.1 Sensor Bau . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

3.2.2 Agen Pencari (Al-Fath) . . . . . . . . . . . . . . . . . . . . . . 72

3.2.3 Arsitektur dalam OSL . . . . . . . . . . . . . . . . . . . . . . 79

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

3.3.1 Kecerdasan Agen Pencari . . . . . . . . . . . . . . . . . . . . 85

3.3.2 Penerapan PSO Dalam Lokalisasi Sumber Asap . . . . . . . . . 91

3.4 Refleksi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97

4 Modifikasi PSO Tingkat Lanjut untuk Pencarian Satu Sumber 994.1 Pencarian Lokal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103

4.2 Pemposisian Ulang Partikel . . . . . . . . . . . . . . . . . . . . . . . . 104

4.3 Pembatasan Ingatan . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105

4.4 PSO Deteksi dan Respon . . . . . . . . . . . . . . . . . . . . . . . . . 108

4.5 PSO Bermuatan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114

4.6 Utilisasi Angin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120

4.6.1 Utilisasi Angin dengan Area Terlarang . . . . . . . . . . . . . . 123

4.6.2 Utilisasi Angin dengan Parameter Pengontrol θ0 . . . . . . . . 125

4.7 Evaluasi Performa dari Algoritma Modifikasi dan Kombinasinya . . . . 126

4.7.1 Perbedaan Modifikasi PSO dengan Implementasinya . . . . . . 127

4.7.1.1 Implementasi PSO Bermuatan . . . . . . . . . . . . 128

4.7.1.2 Implementasi Utilisasi Angin . . . . . . . . . . . . . 129

4.7.2 Hal Umum Mengenai Implementasi PSO dan Modifikasinya . . 131

4.7.3 Skenario Evaluasi . . . . . . . . . . . . . . . . . . . . . . . . . 133

4.7.4 Analisa dan Hasil . . . . . . . . . . . . . . . . . . . . . . . . . 136

4.7.4.1 Hasil Analisa Eksperimen I & II . . . . . . . . . . . 136

4.7.4.2 Eksperimen yang melibatkan utilisasi angin . . . . . 143

4.8 Refleksi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149

viii Swarm Robot dalam Pencarian Sumber Asap

5 Modifikasi PSO Tingkat Lanjut untuk Pencarian Banyak Sumber 1535.1 Penutupan Sumber Asap . . . . . . . . . . . . . . . . . . . . . . . . . 1605.2 Fase Menyebar (Spread) . . . . . . . . . . . . . . . . . . . . . . . . . 1645.3 Paralel Niche PSO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1705.4 Range Global Best . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1745.5 Partikel Utama dan Perpindahaan Keanggotaan . . . . . . . . . . . . . 1765.6 Algoritma Penyebaran Partikel Utama . . . . . . . . . . . . . . . . . . 1815.7 Posisi Partikel Utama Mengikuti Posisi Global Best . . . . . . . . . . . 1855.8 Pembatasan Area Gerak Partikel Bermuatan dari Partikel Utama . . . . 1865.9 Evaluasi Performa dari Kombinasi Algoritma Modifikasi . . . . . . . . 189

5.9.1 Perbedaan Modifikasi Pencarian Satu Sumber dengan BanyakSumber . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189

5.9.2 Skenario Evaluasi . . . . . . . . . . . . . . . . . . . . . . . . . 1905.10 Refleksi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 207

Daftar Referensi 209

Profil Singkat Peneliti 213

Ucapan Terima Kasih 220

Daftar Index 223

Swarm Robot dalam Pencarian Sumber Asap ix

x 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 1GAS DAN ASAP

Manusia sebagai mahluk hidup tidak pernah bisa terlepas dari lingkungan di manamereka berada. Lingkungan menyediakan berbagai hal yang dibutuhkan manusia un-tuk bisa bertahan hidup, seperti makanan, air, dan udara. Makanan merupakan salahsatu kebutuhan pokok manusia karena makanan merupakan sumber tenaga. Hal ini-lah yang menyebabkan ada berbagai jenis makanan di berbagai belahan bumi, mulaidari yang digoreng, direbus, dibakar, sampai yang dimakan mentah-mentah. Sepertihalnya makanan, air juga merupakan kebutuhan pokok yang penting bagi kehidupan.Fakta menunjukkan bahwa manusia dapat bertahan sampai 21 hari tanpa makanan, na-mun hanya mampu bertahan selama beberapa jam tanpa air [3]. Hal ini boleh jadi erathubungannya dengan fakta bahwa kandungan air dalam tubuh sekitar 70% dari tinggimanusia tersebut [4]. Lingkungan juga menyediakan udara bagi manusia, khususnyapasokan oksigen (O2) yang berguna bagi pernapasan manusia. Tanpa adanya O2, hidupmanusia dapat berakhir dengan cepat. Fakta ini menunjukan bahwa udara merupakanunsur vital bagi keberlangsungan kehidupan manusia, namun perlu diingat bahwa ketigaunsur ini saling melengkapi satu sama lain. Makanan yang masuk ke dalam tubuh ke-mudian dibakar dengan memanfaatkan O2 yang dihirup. Hasil pembakaran kemudiandidistribusikan ke seluruh tubuh agar setiap otot mendapatkan tenaga untuk bergerak[5].

Lingkungan sekitar kita tidak hanya menyediakan hal-hal yang dapat membantumanusia untuk bertahan hidup, namun juga hal-hal yang berbahaya bagi kesehatandan kehidupan. Perilaku manusia yang mengejar kenyamanan dan kemudahan jugaturut menambah variasi bahaya yang harus kita hadapi. Ada banyak contoh menge-nai bahaya-bahaya ini, namun pembahasannya akan dibatasi pada bahaya yang datangdari udara. Udara mengandung banyak zat selain O2, diantaranya adalah virus, kuman,bakteri, ataupun gas beracun. Manusia juga turut berkontribusi aktif dalam mempro-duksi gas-gas berbahaya, contohnya adalah karbondioksida (CO2) dan karbonmonok-sida (CO) yang dapat menyebabkan sesak napas dan bahkan kematian [5]. Bab iniakan membahas lebih jauh mengenai sifat, bahaya, dan penanggulangan bahaya yangdisebabkan oleh zat-zat di udara.

1.1 Sekilas Mengenai Gas dan Asap

Alam menyediakan banyak hal untuk membantu manusia memenuhi kebutuhan merekaakan 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 dengankeduanya, manusia dapat memperoleh udara tanpa persaingan. Udara selain tersediadalam jumlah besar, juga memiliki beragam bentuk yang di kenal dengan nama gas danasap. Udara, gas, dan asap merupakan hal yang sama dengan definisi yang berbeda, ter-gantung dari keadaan dimana hal tersebut muncul atau berada. Sebagai contoh, sebutanuntuk sesuatu yang kita hirup sehari-hari sebagai udara, tanpa memikirkan zat-zat apasaja yang terkandung di dalamnya. Asap sering kali didefinisikan sebagai kumpulanzat-zat dalam udara yang sejenis dan dapat dilihat oleh mata. Gambar 1.1 menun-jukkan salah satu contoh asap, yaitu asap belerang dari oleh Gunung Bromo. Asap jugaada yang berbahaya dan ada pula yang tidak, seperti uap air yang mendidih. Namunkarena asap bukanlah sesuatu yang kasat mata, maka kita dapat menghindari asap tanpaharus terlebih dahulu menghirupnya. Gas adalah bagian dari udara yang hanya men-gandung satu jenis zat di dalamnya. Sama seperti udara, gas umumnya kasat mata danberasal dari molekul-molekul yang bergerak bebas. Berdasarkan pengertian ini, dapatdisimpulkan bahwa perbedaan asap dan gas secara fisik ada pada kasat atau tidak kasatmatanya zat di udara.

Gambar 1.1: Asap Belerang di Gunung Bromo

Baik asap maupun gas, molekul-molekul yang ada di dalamnya bergerak dengansifat adveksi dan difusi. Selain itu, keduanya membutuhkan suatu sumber reaksi kimiaagar dapat muncul di udara. Adveksi menurut Kamus Besar Bahasa Indonesia (KBBI)[6] adalah massa udara secara horizontal yang mengakibatkan perubahan unsur fisikudara (seperti suhu). Pada konteks gas dan asap, adveksi berarti perpindahan molekulzat dalam udara karena terbawa oleh angin. Angin selalu bergerak dengan cepat danberubah arah, hal ini menyebabkan zat dalam udara berpindah tempat dan menyebardalam waktu yang cepat pula. Salah satu contoh adveksi dalam kehidupan sehari-haridiperlihatkan pada Gambar 1.2, yaitu kejadian dimana asap bergerak karena adanyaangin yang bertiup. Kejadian ini merupakan contoh adveksi dalam dunia nyata. Se-dangkan 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 perpindahanmolekul-molekul zat dalam udara ke daerah-daerah dengan konsentrasi zat yang lebihrendah sampai mencapai titik kesetimbangan. Sifat difusi dapat terlihat dari semakinberkurangnya kepekatan zat di udara seiring menjauhnya zat tersebut dari sumbernya.Pada Gambar 1.1, difusi terlihat pada perbedaan tingkat kepekatan asap yang beradadekat mulut kawah dan yang berada jauh dari mulut kawah. Asap yang berada jauh darimulut 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 diwariskandari 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 airakan terlihat putih dan tipis, tidak berbau, dan lembab. Sementara asap yang dihasilkandari belerang akan berwarna putih, berbau pekat, dan berbahaya pada tingkat tertentu.Selain itu, massa jenis zat akan menentukan seberapa tinggi asap yang terbentuk akannaik. Semakin kecil massa jenisnya, maka asap tersebut akan naik semakin tinggi.Pengetahuan mengenai sifat-sifat zat yang menjadi gas akan sangat membantu saat kitaperlu untuk mengenali jenis gas atau melacak sumber gas. Misalkan saja ada sebuahruangan yang tercium begitu harum, maka kita dapat menduga jenis aroma yang terciumdan 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 asapdan gas sebagai indikator. Sebagai contoh, kepulan uap air digunakan sebagai indikatoruntuk menilai tingkat panas air dan asap dari knalpot kendaraan bermotor digunakanuntuk menilai kondisi kendaraan tersebut. Hampir seluruh manusia mengerti ketikaada asap, maka pasti ada sumber api didekatnya. Pemikiran ini juga berarti bahwa asapdapat digunakan untuk menentukan posisi titik api secara kasar. Pada contoh yang lebih

Swarm Robot dalam Pencarian Sumber Asap 3

BAB 1. GAS DAN ASAP

ekstrem, asap juga berarti sedang terjadi kebakaran. Keempat contoh ini menunjukkanbahwa manusia menggunakan asap sebagai indikator akan adanya bahaya atau sesuatuyang panas. Pada beberapa kejadian, asap sangat bermanfaat untuk membantu manusiaterhindar dari bahaya yang tidak diinginkan.

Selain sebagai indikator, asap juga dapat digunakan sebagai media komunikasi jarakjauh. Asap yang didapatkan dari pembakaran api dapat dimanfaatkan sebagai penandaadanya marabahaya. Pada masa Cina masih dipimpin oleh Kaisar, mereka menggu-nakan cara ini untuk memberitahu pasukan utama apabila terjadi serangan dari bangsalain. Signal asap digunakan karena asap yang dibuat dapat dilihat oleh orang yang ber-jarak sejauh 750 km hanya dalam waktu beberapa jam saja. Pada masa perperangan, ko-munikasi yang efisien dan cepat akan sangat menentukan keberhasilan pasukan dalammempertahankan diri dari para penyerang. Selain bangsa Cina, bangsa Yunani danbangsa Indian di Amerika Utara juga menggunakan asap sebagai media komunikasi.Cerita lebih lengkap mengenai bangsa Indian dapat dibaca pada [7]. Gereja Vatikan diRoma sampai saat ini masih menggunakan cara komunikasi dengan asap untuk mem-beritahu apa bila seorang Paus baru sudah terpilih. Asap berwarna dijadikan tanda ter-pilihnya Paus. Ada dua warna asap yang digunakan pada saat pemilihan berlangsung,yaitu asap berwarna hitam dan putih [8]. Asap berwarna hitam berarti rapat kardinalmasih 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 zatdalam gas tersebut. Misalkan ada zat beracun yang berubah menjadi gas, maka gastersebut juga akan bersifat racun. Namun, ciri racun dari zat baru dapat diamati ketikaada mahluk yang keracunan. Salah satu sifat lain yang dapat diamati adalah bau khasdari zat tersebut. Bau zat umumnya tetap terbawa ketika zat tersebut berubah bentukmenjadi 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 lainterbakar, bau dari kayu atau plastik masih dapat dibedakan dengan mudah.

Manusia dalam kesehariannya memanfaatkan bau untuk berbagai macam hal, ter-masuk dalam persoalan mencari nafkah. Bagi orang-orang yang bergerak dalam bidangmakanan, aroma makanan merupakan komponen yang dapat meningkatkan ketertarikancalon pembeli untuk mencoba [9]. Manusia umumnya menggunakan tiga komponenuntuk menentukan enak atau tidaknya suatu masakan, yaitu penampilan, bau, dan rasa.Jika salah satu komponen tersebut kurang diasah, maka nilai terhadap masakan tersebutjuga tidak akan tinggi. Agar dapat menarik pelanggan lebih banyak, para penjual dapatmemancing pembeli dengan memaksimalkan poin pertama dan kedua. Pertama-tamacalon pembeli di pancing dengan gambar-gambar makanan yang menarik dan terlihatlezat. Kemudian bau masakan dari dapur atau makanan yang sudah dipesan oleh pem-


BAB 1. GAS DAN ASAP

beli lainnya berperan sebagai pancingan kedua yang membuat calon pembeli mereka-reka rasa masakan tersebut. Pancingan akan semakin mudah jika makanan yang dijualmerupakan 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 menggu-nakan teknik yang sama untuk menarik calon pembeli. Buah-buahan yang dipajangmengeluarkan aroma yang berbeda-beda sesuai dengan jenisnya. Kemudian aromayang tertangkap oleh indra penciuman akan membangkitkan stimulus untuk mencoba.Aroma buah juga digunakan sebagai indikator untuk menilai enak atau tidaknya buahtersebut. Kedua contoh pemanfaatan aroma pada makanan dan buah-buahan ini menun-jukkan bahwa presepsi manusia tentang relasi aroma dan kenikmatan sangatlah kuat.Kuatnya presepsi ini jugalah yang menyebabkan mudah bagi kita untuk membayangkanaroma dan rasa soto yang diperlihatkan pada Gambar 1.3a atau buah-buahan pada Gam-bar 1.3b.

Tubuh manusia juga mengeluarkan bau khas yang dapat digunakan sebagai indika-tor kesehatan badan dan daya tarik. Bau dari badan manusia umumnya dapat ditemukanpada keringat, kotoran, dan mulut. Jika dilihat dari sisi kesehatan, bau tidak sedap da-pat diartikan sebagai tanda bahwa ada organ dalam tubuh yang berfungsi dengan ku-rang 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 menciumbau-bau yang tidak terdeteksi oleh hidung pria. Bau yang tercium oleh seseorang jugadapat mempengaruhi perasaan orang tersebut [10]. Inilah sebabnya semakin banyakproduk kosmetika dan terapi yang mencoba untuk memanipulasi bau yang ada diseki-tar kita.

Bau yang khas tidak hanya dimiliki oleh manusia, namun juga oleh mahluk hiduplainnya, baik tumbuhan ataupun hewan. Sebagian besar hewan mengeluarkan aroma


BAB 2TEKNIK AUTONOMUS PADA PENCARIAN SUMBER ASAP

Perkembangan teknologi yang semakin maju memberikan kontribusi yang sangat besarterhadap semakin terbukanya variasi berbagai macam bidang ilmu, seperti teknologipengenalan bau dan pencarian sumber asap. Hadirnya kemampuan mendekteksigas 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 campuranbau. Pada bidang ilmu pencarian sumber asap, para peneliti mencoba memanfaatkanteknologi yang ada untuk membantu menentukan secara tepat lokasi kebocoran gas.Namun sebelum buku ini membahas lebih jauh pemanfaatan teknologi ini, mari kitasepakati dulu bahwa istilah gas dan asap yang digunakan dalam bab ini dan seterusnyamerujuk pada zat yang berbaur dengan udara dan merupakan zat yang menjadi targetpencarian. Kembali pada topik bahasan, kemajuan teknologi membuat manusia mampumembuat sebuah sistem pendeteksi bahaya dini akibat kebocoran gas yang tidak diha-rapkan. Sebagai contohnya adalah pemasangan sensor bau di tiap ruangan pada sebuahrumah. Semakin banyak sensor yang dipasang, berarti cepat gas yang tidak diharapkantersebut dapat dideteksi. Tentu saja kecepatan pendeteksian ini akan bergantung padalamanya waktu zat yang dibutuhkan zat yang bocor untuk sampai diarea pendeteksiansensor.

Sistem pendeteksi dengan melakukan pemasangan sensor di tiap-tiap ruangan padasebuah rumah memang dapat menyelamatkan banyak orang dari bahaya akibat gas be-racun, namun tidak dapat membantu penghuninya menemukan asal sumber kebocoransecara tepat. Tentu saja sumber kebocoran tidak dapat didiamkan begitu saja karenadapat membahayakan area yang lebih besar. Hal ini akan semakin berbahaya ketika gasyang bocor merupakan jenis gas yang berbahaya. Usaha yang dilakukan agar bahayasemacam ini tidak membesar adalah dengan menugaskan tim khusus untuk mencari danmenutup kebocoran. Tim khusus ini biasanya terdiri atas manusia dan anjing yang telahdilatih untuk melakukan pelacakan dengan indra penciuman mereka. Gas yang merekahirup tidak mungkin tidak membahayakan nyawa para pencari. Cara konvensional inijelas tidak begitu manusiawi.

Salah satu cara yang dapat digunakan agar pencarian sumber asap tidak menelanbanyak korban adalah dengan membuat agen artifisial. Agen artifisial dapat berupa se-buah agen yang sudah diprogram dengan perilaku yang meniru kemampuan agen yangsebenarnya. Pada dunia komputer, cara seperti ini di kenal dengan nama sistem cerdasatau 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 dike-tahui. Baik presepsi, cara berpikir, dan pengindraan dari agen yang sebenarnya harusdimodelkan dalam perilaku agen. Tentu ada banyak faktor yang harus diperhatikan,hal ini akan dijelaskan pada bab berikutnya. Agen-agen ini juga harus dapat menje-lajah secara bebas dalam ruang pencarian. Agen semacam ini dikenal dengan namaautonomous mobile robot (robot mobil autonomus).

Robot-robot yang bertindak sebagai agen artifisial ini merupakan bagian darirumpun kecerdasan buatan dalam ilmu komputer. Agen-agen ini umumnya telahdibekali pengetahuan dasar untuk dapat berinteraksi dan beradaptasi dengan lingkungandimana agen tersebut berada. Penyesuaian algoritma untuk beradaptasi perlu dilakukanagar agen dapat berperilaku sebagaimana mestinya.

Kecerdasan buatan (Artificial Intelligence) adalah kecerdasan pada mesin atau sis-tem yang mengartikan dan mempersepsikan lingkungan, lalu mengambil tindakan yangmampu memaksimalkan kesempatan sukses yang ada [14]. Kecerdasan buatan sendirimemiliki berbagai jenis penjurusan, salah satu penjurusan yang berhubungan dengandunia robotika adalah sistem multi-agen dan atonomous perceptive systems. Sistemmulti-agen dipakai dalam dunia robotika dengan memanfaatkan robot dalam jumlahyang cukup banyak. Biasanya cara ini dipakai permasalahan yang melibatkan wilayahpencarian yang luas. Autonomous Perceptive Systems sendiri biasanya hanya menggu-nakan sejumlah kecil robot dan ditujukan untuk berinteraksi dengan manusia atau haltertentu.

2.1 Faktor-Faktor Penting dalam Pencarian Sumber Asap

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

(a) Pabrik dengan Banyak Pipa (b) Tanah Pasir (c) Tanah Berbatu

Gambar 2.1: Kondisi Lingkungan Pencarian



Bab ini akan membahas mengenai faktor-faktor penting dalam melakukan pencariansumber asap, tidak hanya dari faktor luar tetapi juga faktor dalam yang melibatkansang agen pencari. Apa yang harus ada pada agen pencari, faktor-faktor apa saja yangharus diperhatikan dalam melakukan penyesuaian agen sebelum diterjunkan ke medanpencarian.

Pencarian sumber asap merupakan masalah yang kompleks karena memiliki banyakfaktor yang harus diperhatikan agar pencarian dapat berlangsung dengan baik. Faktor-faktor ini melibatkan faktor lingkungan, sifat gas, dan kondisi agen. Seluruh faktor initidak boleh diabaikan, berikut dijelaskan secara ringkas efek dari masing-masing faktor:

• Sifat GasGas memiliki kecenderungan untuk berdifusi dengan udara disekelilingnya [15].Sifat difusi ini akan membuat gas tersebut menyebar ke daerah-daerah yangbelum terkontaminasi. Disisi lain, sifat difusi akan membuat konsentrasi gasdi udara berkurang sehingga akan mempersulit agen untuk mendeteksi kehadi-ran gas. Sifat difusi ini juga dapat dimanfaatkan untuk menentukan sumber ke-bocoran. Sifat difusi memberikan kepastian bahwa udara yang berada diseki-tar sumber-sumber kebocoran akan memiliki konsentrasi zat yang lebih tinggidibandingkan dengan udara yang jauh dari sumber. Namun jika kebocoran sudahterlalu lama dan udara tidak dapat berpindah, maka bisa saja konsentrasi udaratersebut menjadi sangat pekat. Hal ini umum terjadi dalam ruang tertutup tanpaadanya ventilasi udara. Jika ini terjadi, penutupan kebocoran akan semakin sulituntuk dilakukan.

• LingkunganKondisi lingkungan dimana kebocoran terjadi akan sangat berpengaruh besar ter-hadap keberhasilan pencarian. Kondisi lingkungan akan menentukan jenis agenseperti apa yang ditugaskan dalam pencarian. Seperti yang ditunjukkan padaGambar 3.4, lingkungan pencarian dari sang agen dapat berbeda-beda. Sebagaicontoh, agen yang dapat berjalan pada jalan yang tidak rata tentu berbeda denganyang memang tidak didesain untuk itu. Jika dipaksakan, maka bisa saja agentidak dapat berfungsi sama sekali. Selain itu, faktor angin pada ruang pencarianjuga tidak boleh dilupakan. Angin memberikan tantangan yang sangat besar padaagen karena angin menciptakan kondisi asap yang lebih dinamis.

• Kondisi AgenKondisi agen harus selalu disinergikan dengan lingkungan pencarian. Kondisilapangan dan letak kemungkinan kebocoran harus selalu menjadi perhatian saatmenentukan jenis agen pencari. Belum lagi pemilihan teknik pencarian yang di-gunakan. Teknik pencarian harus dapat bersifat dinamis dan adaptif terhadap



sifat alami gas dan lingkungan dalam ruang pencarian. Selain itu, perilaku agenjuga harus di optimasi agar dapat menyesuaikan diri dengan kondisi lingkungan.Contohnya, saat melakukan pencarian pada daerah yang sangat mengganggufrekuensi radio, sebaiknya tidak mengandalkan teknologi GPS (Global Position-

ing System) dalam menentukan lokasi agen. Menentukan karakteristik dari zatyang dicari juga harus diperhatikan. Udara sering sekali mengandung berbagaimacam zat yang dapat saja disalahartikan oleh agen. Dengan menentukan karak-teristik dari zat yang ingin dicari, secara tidak langsung kita memilih hidung elek-tronik yang akan dipasangkan pada agen pencari.

Jelas berdasarkan penjelasan diatas, faktor-faktor tersebut tidak dapat diabaikan. Kom-binasi dari seluruh faktor inilah yang menyebabkan proses pencarian sumber asap tidakdapat dikategorikan sebagai pekerjaan yang mudah. Terlebih lagi karena masih banyakcontoh lain dari faktor-faktor tersebut yang tidak mungkin untuk diabaikan. Beberapakasus yang umum terjadi akan ditemukan dalam bab ini bab-bab selanjutnya. Agarpenjelasan pada bagian ini dan seterusnya menjadi lebih sederhana, maka istilah agenakan digunakan untuk menunjuk agen pencari sumber asap. Istilah zat akan digunakanuntuk merujuk zat yang menjadi target pencarian.

Pencarian sumber asap memiliki banyak tantangan, mulai dari faktor alam sampaidesain agen. Selain tantangan-tantangan ini, sisi perilaku agen juga memiliki tantan-gan yang tidak jauh berbeda. Setiap agen pencari harus memiliki kemampuan untukmengenali gas dan teknik mencari sumber gas tersebut. Keduanya hal ini bagaikan be-nang dan kain, yang jika tidak baik salah satunya, maka hasil yang dicapai juga tidakakan optimal. Terkait dengan poin pertama, teknologi yang ada saat ini memungkinkanmanusia untuk melatih agen untuk mengenali karakteristik dari suatu zat. Atau dengankata lain, melatih agen untuk melakukan klasifikasi terhadap zat yang ada dalam udara.

Gambar 2.2: Hidung Elektronik

Klasifikasi zat-zat tertentu yang terkandung dalam udara dilakukan berdasar pada



karakteristik sensitifitas dari sensor asap sang agen tersebut terhadap zat yang dapatdideteksi. Seperti yang nanti dapat dilihat pada Bab 3, agen yang memiliki sensor asapmemiliki sensitivitas yang berbeda-beda terhadap zat-zat tertentu. Sensor-sensor bausatu sama lain juga memungkinkan untuk memiliki sensitivitas yang berbeda, sehinggaklasifikasi pun disesuaikan dengan sensor bau yang digunakan. Sebagai contoh, sebuahsensor x yang tidak peka terhadap zat A, maka kita tidak mungkin untuk memanfaatkansensor x dalam pencarian zat A. Gambar 2.2 adalah sensor asap TGS 2600 yang diper-gunakan untuk mendeteksi alkohol, Hidrogen, dan Karbon Monoksida yang dihasilkanoleh rokok. Jika sensor asap jenis ini digunakan untuk melakukan pencarian gas sul-fur atau belerang maka pencarian yang dihasilkan tidak akan optimal. Pada buku initidak akan dijelaskan lebih lanjut mengenai teknik klasifikasi 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 sumberasap. Teknik ini akan menentukan perilaku dari agen yang ditugaskan dilapangan.Kemampuan perangkat keras yang tanpa didukung oleh teknik yang baik tidak akanberhasil dengan baik. Berdasarkan penelitian Hayes et al. pada [11, 16], paling tidakada tiga tahap yang harus dilalui dalam pencarian sumber asap. Tahap-tahap ini adalahmencari kehadiran zat di udara, kemudian melakukan pelacakan menuju sumber asap,


BAB 3

PENCARIAN SUMBER ASAP DALAM MULTIDISIPLIN

Pencarian sumber asap dengan memanfaatkan agen-agen artifisial bukanlah suatupenelitian yang hanya memanfaatkan satu bidang ilmu saja. Seperti pengembanganagen artifisial untuk masalah lainnya, tidak hanya ilmu mengenai dunia kecerdasan bu-atan dan dunia elektronika yang terlibat. Banyak bidang-bidang ilmu lain yang terli-bat dalam pengembangan suatu agen artifisial spesifik seperti dalam kasus ini adalahagen untuk melakukan pencarian sumber asap. Bidang-bidang seperti kecerdasan kom-putasional, biologi dan ilmu lingkungan ikut terlibat aktif dalam pengembangan agenpencari sumber asap ini.

Gambar 3.1: Disiplin Ilmu Dalam Pencarian Sumber Asap

Gambar 3.1 menunjukkan bidang-bidang ilmu yang terlibat langsung dalam pe-ngembangan agen pencari sumber asap serta pengembangan dari lingkungan pencari-annya. Setidaknya ada tiga bidang ilmu yang terlibat, yaitu kecerdasan buatan, robotikadan kecerdasan komputasional. Bidang-bidang ilmu yang tidak terlibat langsung, tetapimemberikan dasar dan inspirasi dari algoritma agen, bentuk agen serta pola lingkungandimana pencarian dilakukan adalah entomologi, oceanologi dan serta ekologi.

Pencarian sumber asap atau biasa disebut sebagai lokalisasi sumber asap tidak akanberjalan tanpa adanya agen yang melakukan pencarian. Untuk mengembangkan agenpencari ini maka diperlukan bidang elektronika, khususnya robotika untuk melakukanperancangan agen pencari yang sesuai dengan lingkungan pencariannya. Bidangrobotika ini juga meliputi pemanfaatan micro-controller yang sesuai, pemilihan sen-sor yang tepat guna terutama sensor yang dipakai untuk mendeteksi gas yang inginditemukan.

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 algo-ritma yang tepat maka pencarian mungkin saja tidak berhasil. Kecerdasan-kecerdasandasar bagi robot tentunya sudah harus disiapkan tanpa harus mengetahui secara spesifiktugas dari si robot tersebut. Kecerdasan tersebut meliputi kemampuan untuk menghin-dari benturan dengan robot lain maupun dengan lingkungan sekitar dan kemampuan un-tuk mengetahui posisi robot itu sendiri baik posisi relatif terhadap lingkungan maupunposisi mutlak.

Sementara kecerdasan dasar merupakan hal wajib bagi setiap robot, kecerdasanrobot lainnya harus disesuaikan dengan tujuan dari robot itu dibuat. Dalam hallokalisasi sumber asap maka robot sebagai agen pencari diharapkan dapat menemu-kan sumber asap dengan algoritma pencarian yang efektif. Sejumlah algoritma untukmelakukan pencarian sumber asap telah dibahas pada Bab 2. Bidang kecerdasan buataninilah yang akan menentukan algoritma yang paling tepat dalam melakukan pencariansumber asap.

Pengembangan lokalisasi sumber asap tidak selalu harus langsung diterapkan dalamimplementasi perangkat keras dalam dunia nyata secara langsung. Pengembanganbisa dimulai melalui sejumlah simulasi sederhana sebelum akhirnya menerjunkanagen nyata ke untuk melakukan pencarian asap sesungguhnya. Untuk melakukan pe-ngembangan ini, bidang ilmu komputasional diperlukan dalam melakukan pemodelan-pemodelan matematika terhadap lingkungan dinamis dari lokalisasi sumber asap se-hingga nantinya dapat ilustrasikan dalam suatu aplikasi perangkat lunak.

Pemodelan-pemodelan ini bukanlah tanpa dasar, biasanya pemodelan ini diinspi-rasikan dari bidang keilmuan lainnya. Karena lingkungan yang dinamis dalam pen-carian sumber asap adalah pergerakan anginnya maka bidang yang menjadi inspirasibiasanya adalah bidang oceanologi dan ekologi. Oceanologi dan ekologi dipakai dalammempelajari pola dari pergerakan zat tertentu dalam fluida bergerak, serta penyebaranzat itu bersama fluida tersebut. Tentunya dalam oceanologi, fluida disini adalah air, se-mentara dalam ekologi fluida disini mungkin saja udara. Hasil dari penelitian ini adalah



model matematis dari pergerakan zat tersebut dalam fluida bergerak.

Gambar 3.3: Contoh Pemodelan Zat Dalam Fluida Bergerak

Jelas terlihat bahwa tidak hanya satu atau dua disiplin ilmu saja yang terlibat dalammelakukan pencarian sumber asap tentunya membuat pencarian sumber asap menjadilebih menarik. Bidang robotika mendukung dalam menyediakan agen yang dapat di-pakai dalam melakukan pencarian. Bidang kecerdasan buatan menjamin pemilihan al-goritma yang tepat dalam lokalisasi sumber asap. Bidang ilmu komputasional berperandalam melakukan pemodelan lingkungan pencarian baik dalam simulasi maupun dalamimplementasi dunia nyatanya. Sedangkan dibalik itu semua masih terdapat sejumlahbidang keilmuan yang mendukung keberhasilan dari pencarian sumber asap.

Meski penelitian yang mencoba untuk melakukan lokalisasi sumber asap telah adabaik melalui simulasi maupun melalui implementasi perangkat keras secara langsung,tentunya kita dapat mencoba menerapkan penelitian mereka, hanya sedikit peneli-tian yang mencoba untuk menerapkan pemodelan lingkungan yang bersifat dinamis.Umumnya para peneliti hanya berfokus pada pemberian ide baru dari algoritma pen-carian sumber asap tetapi dalam lingkungan yang relatif stabil. Umumnya pemodelanlingkungan dibuat dengan membuat suatu arah angin yang kuat dan tetap untuk men-jamin distribusi gas secara pasti dalam lingkungan pencarian atau dengan mengurangijarak antara agen pencari dengan sumber asap.

Oleh sebab hal tersebut, bab ini mencoba untuk menawarkan sebuah metode barudalam melakukan pencarian sumber asap dengan memanfaatkan sejumlah besar robotdengan metode swarm intelligence. Seperti yang telah dijelaskan pada Bab 2 bahwaswarm intelligence berbeda dengan metode robot banyak pada umumnya, khususnyacabang Particle Swarm Optimization dimana sejumlah robot dapat saling berkomu-nikasi satu sama lain. Komunikasi yang dilakukan berupa pertukaran informasi tertentuselama proses pencarian. Berbeda dengan metode yang telah dipakai oleh para penelitisebelumnya, metode yang memanfaatkan komunikasi ini membantu proses pencarianterutama ketika lingkungan pencarian menjadi tidak stabil.

Untuk menguji kemampuan dari algoritma Particle Swarm Optimization ini maka



uji coba perlu dilakukan, akan tetapi seperti penjelasan yang telah diberikan uji coba se-cara langsung pada perangkat keras cukup beresiko karena tingkat ketidakpastian yangmasih cukup tinggi. Oleh sebab itu simulasi dan pemodelan melalui aplikasi perangkatlunak menjadi pilihan. Dari hasil simulasi dapat diketahui seberapa baik algoritma Par-

ticle Swarm Optimization bekerja. Penelitian menunjukkan algoritma ini bekerja baikdalam simulasi baik dalam kondisi lingkungan yang stabil maupun kondisi lingkunganyang tidak stabil [27].

Hasil dari simulasi yang baik dan telah melalui proses pengujian berulang-ulangmeyakinkan bahwa algoritma ini dapat digunakan dalam pencarian sumber asap. Tetapihasil dari simulasi saja tidak akan cukup dalam menjamin bahwa algoritma ini memangbaik dalam melakukan lokalisasi sumber asap. Oleh sebab itu diperlukan verifikasidengan mengimplementasikan algoritma ini dalam kondisi sebenarnya di dunia nyata.Tentunya algoritma ini tidak serta merta diterapkan langsung dalam keadaan sesung-guhnya. Verifikasi algoritma ini dilakukan dengan mengkondisikan dunia nyata samadengan simulasi yang digunakan. Pengkondisian tersebut tidak hanya melihat dari sisimedan pencarian, pengkondisian juga melibatkan perekayasaan kondisi angin dinamisdengan pemodelan yang telah dipakai didalam simulasi [20].

(a) Pemodelan 2D Particle Swarm Optimization (b) Simulasi Particle Swarm OptimizationDalamDunia Nyata

Gambar 3.4: Simulasi dan Implementasi Particle Swarm Optimization

Melihat dua tujuan besar yaitu menciptakan simulasi yang dapat menggam-barkan keadaan lingkungan yang dinamis dengan algoritma pencarian adalah PSO danmemverifikasi algoritma dan metode yang digunakan dalam simulasi kedalam dunianyata merupakan tantangan yang menarik. Untuk menjawab tantangan tersebut diper-lukan sejumlah tahap/proses untuk memahami apa yang menjadi ciri dari pencariansumber asap. Bab ini mengklasifikasi tiga ciri khusus dalam pencarian sumber asapyaitu gas dan pemodelannya, arsitektur pencarian beserta agen pencarinya dan algo-ritma yang akan digunakan dalam melakukan pencarian. Tiga ciri khusus ini akan dije-laskan pada bagian selanjutnya.



3.1 Pemodelan Gas

Setelah memahami tujuan besar pencarian sumber asap yang telah dikemukakan padapengenalan dari Bab ini, kita memahami bahwa diperlukan pengertian mendalam padatiga ciri khusus dalam lokalisasi sumber asap. Salah satu dari ciri khusus ini adalah pe-modelan asap/gas yang serupa dengan asap/gas dalam keadaan sebenarnya. Pemodelanyang dimaksud disini adalah bentuk pemodelan matematika.

Sejumlah orang mungkin berpikir bahwa ada hal yang lebih penting ketimbang pe-modelan pergerakan asap dan penyebarannya dalam masalah pencarian sumber asap.Hal ini mungkin saja benar, tetapi hal ini menjadi tidak berlaku ketika kita mem-bicarakan lingkungan yang dinamis. Dalam eksplorasi sumber asap, lingkungan di-namis adalah lingkungan yang memiliki pergerakan angin yang tidak selalu sama. Per-gerakan angin yang dinamis berarti pergerakan angin yang berubah baik secara periodikmaupun secara acak. Disamping hal tersebut setidaknya ada dua hal lainnya mengapakita memerlukan pemodelan asap menyangkut masalah ujicoba pencarian sumber asapitu sendiri dan penerapannya.

Pertama, pemodelan asap membantu ujicoba metode untuk lokalisasi sumber asapdengan lingkungan percobaan buatan. Dengan pemodelan ini maka metode untuklokalisasi sumber asap dapat diuji dalam lingkungan percobaan yang peneliti ciptakandan sesuaikan dengan asumsi-asumsi yang mereka buat tanpa harus langsung diter-junkan dalam keadaan sesungguhnya. Hal ini membantu memudahkan metode yangmemiliki banyak asumsi untuk mendapatkan persentase kesuksesan pencarian tinggi.Asumsi-asumsi terhadap lingkungan pencarian memudahkan peniliti dalam mengem-bangkan metode-metode baru yang lebih baik dan lebih optimal. Jika metode yang diujimemiliki persentase kesuksesan yang tinggi maka sedikit demi sedikit asumsi-asumsiyang digunakan peneliti tersebut dapat dikurangi hingga akhirnya situasi ujicoba samadengan situasi sesungguhnya. Dengan demikian, jelas bahwa pemodelan asap menjem-batani asumsi-asumsi yang ada dengan keadaan sesungguhnya.

Alasan lain yang penting dan membuka kesempatan baru adalah pemodelan asapmemberikan jalan bagi dunia simulasi untuk mencoba pencarian asap dalam bentuk 2Dmaupun 3D. Dengan hadirnya simulasi maka memberikan pilihan baru untuk uji cobapencarian sumber asap dengan metode tertentu. Daripada langsung menerapkan metodetersebut pada perangkat keras dimana resiko kegagalan cukup tinggi, ada baiknya untukmelakukan uji coba metode pencarian dalam dunia simulasi. Dunia simulasi lebih men-jadi pilihan bagi sejumlah peneliti, karena kegagalan metode dalam pencarian baik darisisi model robot, model lingkungan dan sejenisnya dapat diperbaiki dan ditingkatkandengan mudah, tanpa biaya yang besar dan waktu yang relatif singkat. Berbeda jikaujicoba dilakukan secara langsung pada robot dan lingkungan nyata. Kesalahan pemo-delan baik dari sisi robot maupun pemodelan lingkungan berakibat perombakan ulang



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 melakukanpencarian sumber asap adalah sifat adveksi-difusi dari gas tersebut, serta distribusi gasterhadap pengaruh dari pergerakan angin. Beberapa pemodelan pada dunia nyata de-ngan memperhatikan hal ini telah dilakukan [28]. Pemahaman mengenai sifat alamigas yang penting dalam melakukan pemodelan gas itu sendiri akan dibahas lebih lanjutpada subbab 3.1.1.

3.1.1 Pemodelan Matematis Gas Dasar

Penjelasan-penjelasan pada Bab 1 memberikan gambaran bagaimana sifat alami darigas yang ada disekitar kita. Sifat-sifat alami seperti gas bergerak dan berpindah dari satutempat ke tempat lain karena terbawa oleh angin dan setiap kali gas tersebut melakukanperpindahan konsentrasi gas akan menurun. Hal ini berarti bahwa zat dan gas dapatmenyebar kesekitarnya dengan konsentrasi yang berbeda-beda tergantung seberapa jauhgas tersebut dari pusat/sumbernya. Sifat adveksi-difusi membuat gas dapat berpindahdengan 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 munculadalah bagaimana memodelkan proses adveksi-difusi tersebut kedalam persamaanmatematis. Persamaan adveksi baik dasar maupun modifikasi telah dipelajari dalampemodelan matematika numerik. Salah satu bentuk pemodelan sederhana dari sifatadveksi-difusi ini adalah persamaan adveksi murni dasar. Berikut adalah persamaanadveksi murni dasar:

∂ C∂ t

+u∂ C∂ x

= 0 (3.1)

dimana :

C = Konsentrasi gas

u = Kecepatan aliran

t = Waktu

x = Sumbu x

Dalam persamaan ini, distribusi gas hanya bergerak karena pengaruh kecepatan ali-ran sebesar U, sedangkan bentuk distribusi konsentrasinya harus tetap. Ini menyatakanbahwa konsentrasi pada satu titik disuatu waktu sama dengan titik lainnya di waktuyang lain. Tentunya dalam persamaan ini aliran gas bergerak hanya terhadap sumbu x.Grafik dari metode ini dapat dilihat pada Gambar 3.5.


BAB 4MODIFIKASI PSO TINGKAT LANJUT UNTUK PENCARIAN

SATU SUMBER

Gambar 4.1: Konsep Sinergis pada Robot Pencari Sumber Asap

Modifikasi yang telah kami lakukan pada Bab 3 (halaman 45) membuat Particle Swarm

Optimization (PSO) dapat digunakan dalam pencarian sumber asap. Keberhasilan initidak lain karena sinergisnya desain dan perangkat lunak robot yang digunakan dalampencarian. Pada dunia robotika, desain robot akan menentukan pekerjaan apa saja yangbisa dikerjakan oleh robot tersebut. Kesalahan desain dapat membuat robot menjaditidak mampu menjalankan perannya secara maksimal, sebagai contoh robot yang dide-sain untuk mencari sumber kebocoran pada lantai tentu akan kesulitan jika ditugaskanuntuk mencari sumber kebocoran pada pipa-pipa yang terpasang di dinding. Contohlainnya adalah robot yang didesain untuk menjelajah area bertanah rata tentu tidak akandapat 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, contohnyarobot pencari pada ruang terbuka dan robot pencari pada bangunan dengan banyak ru-ang tentu akan memiliki kemampuan kognitif yang berbeda. Anggaplah sebuah RobotX yang merupakan robot pencari pada ruang terbuka dan sebuah Robot Y yang meru-pakan robot pencari pada bangunan dengan banyak ruang. Secara kognitif, Robot Xhanya memerlukan kemampuan untuk menjelajah serta mengetahui kondisi angin danasap pada saat pencarian. Berbeda halnya dengan Robot Y yang membutuhkan ke-mampuan tambahan lainnya untuk melakukan pencarian pada bangunan dengan banyakruang, yaitu kemampuan untuk membuat denah bangunan. Secara sederhana dapatdibayangkan bahwa kemampuan Robot X merupakan subset dari kemampuan RobotY. Selama proses pencarian sumber asap, Robot Y mungkin hanya menggunakan ke-mampuan Robot X untuk mencari sumber asap dalam suatu ruangan. Jika pada ruangantersebut tidak ditemukan sumber asap, maka Robot Y akan menggunakan mekanismetertentu untuk mengeksplorasi ruangan lainnya. Buku ini tidak akan menjelaskan lebihjauh mengenai teknik pencarian sumber asap dalam bangunan dengan banyak ruang,tetapi kami justru mengajak Anda untuk berkhayal lebih jauh pada bagian Refleksi dihalaman 149. Kembali pada pembahasan utama, peningkatan kemampuan kognitif padarobot dapat memperpendek waktu yang dibutuhkan untuk menemukan sumber asap.Selain itu, kode program yang efektif dan efisien sangatlah diperlukan untuk memaksi-malkan kemampuan komputasi yang terbatas pada robot. Konsep sinergi dalam perma-salahan 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 ru-ang untuk meningkatkan kemampuan kognitif robot dengan memodifikasi algoritmaPSO. Walau algoritma PSO menggunakan banyak agen, namun hal ini tidak men-jamin bahwa setiap pencarian akan berakhir dengan sukses. Pada percobaan yang su-dah dilakukan, ada beberapa percobaan dimana agen-agen tidak berhasil menemukansumber asap. Kegagalan tersebut sebagian besar disebabkan karena robot tidak dapatberadaptasi dengan perubahan lingkungan pencarian, seperti yang terlihat pada Gam-



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

Gambar 4.4: Kegunaan Sifat Konvergen dan Divergen

Sifat konvergen menyebabkan PSO sulit untuk beradaptasi pada lingkungan di-namis. Sifat ini berarti partikel-partikel dalam PSO akan cenderung bergerak menujusatu titik tertentu, seperti yang terlihat pada Gambar 4.4. Sifat konvergen sangatberguna saat para agen sedang mengikuti asap. Semakin banyak agen pada saatmengikuti asap, berarti ketika ada satu agen kehilangan arah, masih ada banyak agenlain yang akan meneruskan pelacakan tersebut. Hal ini dapat diartikan bahwa semakinbanyak agen yang mengikuti asap, maka akan semakin cepat pula sumber asap terse-but 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 ter-baik munculnya asap, maka agen-agen pencari harus menyebar ke seluruh penjuru areapencarian. Posisi robot pada ruang pencarian paling tidak harus menyerupai posisi padaGambar 4.4 dimana posisi robot-robotnya menyebar. Perhatikan bahwa setiap robotmemiliki lingkaran keabuan disekitarnya. Setiap asap yang berada dalam lingkaran



tersebut pasti akan dapat terdeteksi oleh robot. Pada gambar tersebut terlihat bahwa po-sisi robot yang menyebar memungkinkan pengawasan asap pada area yang luas. Sifatpartikel-partikel yang menyebar dan berjauhan ini di kenal dengan nama divergen.

Modifikasi PSO yang dijelaskan pada bab ini akan mengikuti konsep pada Gam-bar 4.4, yaitu meningkatkan konvergensi pada saat partikel mengikuti asap danmeningkatkan divergensi pada saat partikel mencari asap. Namun, karena konvergensimerupakan sifat alamiah PSO, maka modifikasi akan difokuskan pada peningkatan sifatdivergensi PSO. Pengembangan algoritma ini dispesifikasikan untuk area pencarian de-ngan satu sumber asap, bertanah rata, dan tanpa halangan. Pada area seperti ini, kom-pleksitas masalah datang dari pergerakan angin dan luas area pencarian. Arah anginyang selalu berubah-ubah mempersulit robot dalam menemukan sumber asap. Semen-tara area pencarian menambahkan kompleksitas pencarian seiring dengan membesarnyaluas area tersebut. Semakin luas area pencarian membuat robot harus mengawasi areayang semakin luas juga. Agar Anda dapat mengerti dengan mudah penjelasan dalambab ini, mari lihat kembali konsep PSO pada Persamaan 4.1 dan persamaan perindahaanpartikel pada Persamaan 4.2.

V n+1i = χ (V n

i +

kognitif︷︸︸︷c1.rand().(pn

i − xni )+

sosial︷︸︸︷c2.rand().(pn

g− xni )) (4.1)

xn+1i = xn

i +V n+1i (4.2)

dimana :

i = partikel ke i, dimana i = {1,2,3,4, . . .}n = iterasi PSO ke n, dimana n = {1,2,3,4, . . .}χ = faktor konstriksi

c1 = tingkat akselerasi untuk faktor kognitif, nilainya antara 0 sampai 1

c2 = tingkat akselerasi untuk faktor sosial, nilainya antara 0 sampai 1

V ni = kecepatan partikel ke i pada iterasi ke n

xni = posisi partikel ke i pada iterasi ke n

pni = local best dari partikel ke i pada iterasi ke n

png = global best pada iterasi ke n

rand() = fungsi acak, nilainya antara 0 sampai 1

Selain itu, ada tiga buah asumsi yang digunakan dalam seluruh modifikasi.

1. Posisi awal robot diasumsikan selalu berada pada salah satu sisi ruangan dansetiap robot memiliki jarak yang cukup satu sama lainnya. Asumsi ini juga dapatdiartikan bahwa pencarian selalu dimulai dengan posisi robot yang divergen.



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 perubahanlingkungan. Gambar 4.5 memperlihatkan ilustrasi posisi partikel yang terjebak padalokal optima. Pada gambar jelas terlihat bahwa apabila partikel terus melakukan penca-rian dengan algoritma PSO, maka partikel-partikel tersebut tidak dapat keluar dari lokaloptima. Inilah sebabnya Zang et al. menyarankan pencarian lokal. Pada teknik ini,robot-robot ditugaskan untuk melakukan pencarian pada daerah optimum terakhir yangtercatat sebelum terjadinya perubahan lingkungan. Teknik ini mengasumsikan asap atausumber asap hanya berjarak tidak jauh dari posisi lokal terbaik yang dimiliki robot. Se-lain itu, teknik ini juga mengasumsikan bahwa perubahan lingkungan terjadi setelahPSO melewati tahap konvergen. Anda dapat menggunakan berbagai teknik optimasipada pencarian lokal.

Gambar 4.5: Partikel Terjebak pada Lokal Optima

Ada dua jenis lokal optima yang dapat muncul selama proses pencarian sumberasap. Jenis pertama adalah optima lokal yang disebabkan menumpuknya konsentrasiasap pada satu daerah tertentu. Optima lokal jenis ini sangatlah mengganggu kinerjaPSO secara keseluruhan karena daerah pekat tersebut akan selalu mempengaruhi nilailocal best partikel. Walau demikian, umumnya untuk kasus seperti ini posisi sumberasap dan dan konsentrasi asap lainnya masih berada tidak jauh dari titik lokal optima



tersebut. Kondisi tersebut merupakan kondisi yang ideal untuk menggunakan algoritmapencarian lokal. Jenis optima lokal kedua terjadi karena kombinasi perubahan kondisilingkungan dan nilai global best yang tersimpan oleh robot. Pada kasus ini partikel se-cara terus menerus menggunakan nilai global best yang sudah tidak valid pada kondisilingkungan yang sudah berubah. Kondisi ini akan sulit diatasi dengan teknik pencarianlokal 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 divergenPSO adalah dengan memindahkan posisi partikel secara acak dan sekaligus membuatnilai global best, local best, dan kecepatan partikel menjadi nol [27]. Tentu saja pengu-bahan nilai ketiga elemen tersebut menjadi nol sama saja seperti mengulang algoritma


BAB 5MODIFIKASI PSO TINGKAT LANJUT UNTUK PENCARIAN

BANYAK SUMBER

Gambar 5.1: Pencarian Banyak Sumber Asap

Teknik pencarian dengan Particle Swarm Optimization (PSO) memberikan kontribusiyang luar biasa terhadap penyelesaian masalah kebocoran gas. Terlebih lagi denganadanya modifikasi-modifikasi untuk meningkatkan kecepatan dan akurasi PSO, variasidan detail modifikasi dapat dilihat dalam Bab 4 pada halaman 99. Percobaan-percobaanyang telah dilakukan baik pada level simulasi maupun implementasi nyata pada robotAl-Fath memperlihatkan bahwa PSO memang dapat diandalkan sebagai algoritma pen-cari sumber asap. Al-Fath akan selalu dapat melakukan pencarian dengan optimal se-lama asumsi-asumsi yang digunakannya terpenuhi, salah satunya adalah hanya terdapatsatu sumber kebocoran dalam area pencarian. Sayangnya, tidak sedikit kasus dimanarobot harus jumlah sumber kebocorannya tidak diketahui secara pasti dan memilikipotensi bahwa jumlahnya lebih dari satu. Jika Al-Fath digunakan dalam kondisi sepertiini, maka kemungkinan besar Al-Fath tidak dapat bekerja secara optimum. Agar PSOdan Al-Fath benar-benar dapat diterapkan untuk mengatasi permasalahan dalam dunianyata, tentu saja hal ini tidak boleh dibiarkan begitu saja. Perlu adanya modifikasi tam-bahan terhadap algoritma PSO agar dapat bekerja secara optimal baik dalam lingkunganbanyak sumber maupun satu sumber kebocoran. Bab ini akan membahas mengenaimodifikasi 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 initerilustrasikan dengan baik pada Gambar 5.1. Tantangan terbesar pada pencarian de-ngan banyak sumber asap adalah pengaruh dari banyaknya sumber asap yang beradadalam area pencarian. Asap yang keluar dari sumbernya secara natural akan berdifusihingga mencapai titik kesetimbangan. Namun pada kasus banyak sumber, ada kemung-kinan asap dari berbagai sumber bergabung dan menaikan konsentrasi zat pada areatertentu, seperti yang diperlihatkan pada Gambar 5.2. Pada gambar tersebut, area yangdilingkari dengan warna merah merupakan area dimana asap dari sumber 1 dan sum-ber 2 berkumpul. Konsentrasi zat yang tinggi pada area tersebut dapat membuat agenmmenduga bahwa dia sudah menemukan sumber asap. Selain itu, kinerja PSO secarakeseluruhan juga dapat menurun karena posisi nilai global best akan berada disekitararea tersebut. Anda tentu masih ingat bahwa algoritma PSO melakukan pencarian de-ngan mengasumsikan bahwa konsentrasi zat diudara akan semakin pekat ketika agensemakin dekat dengan sumber asap. Kepekatan zat dalam udara direpresentasikan de-ngan nilai global best dan local best. Namun bergabungnya asap tersebut membuatasumsi 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 mem-berikan pengaruh yang besar terhadap kinerja algoritma PSO. Anda tentu masih ingatbahwa sebagaian besar modifikasi pada pencarian satu sumber dilakukan untuk menga-tasi pengaruh sifat ini. Pada pencarian banyak sumber, masalahnya tidak hanya sekedarasap 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 se-tiap asap yang keluar dari sumbernya selalu bergerak mengikuti arah angin pada areatersebut. Ada kalanya angin membuat asap dari beberapa sumber bergerak menujulokasi yang sama sehingga mengakibatkan robot yang berkumpul pada daerah terse-



but bergerak menuju sumber yang berlainan, seperti yang terlihat Gambar 5.2. Padagambar tersebut terlihat bahwa agen 1 dan agen dua bergerak menuju sumber asapyang berlainan. Secara teoritis, agen-agen yang bergerak menuju sumber yang berbedamerupakan hal yang bagus karena dapat mempersingkat waktu yang dibutuhkan untukmenemukan seluruh sumber asap. Namun pada kenyataannya hal tersebut justru akanmembuat kinerja PSO menjadi lebih lambat karena kedua agen tersebut berasal darikelompok pencarian yang sama dan juga menggunakan nilai global best yang sama.Terpencarnya kedua agen akan membuat nilai global best berpindah-pindah dengantren mendekati sumber pertama, mendekati sumber kedua, atau kembali lagi dalamarea yang dilingkari dengan warna merah pada Gambar 5.2. Posisi dan nilai global

best akan selalu mempengaruhi perilaku agen. Artinya, global best yang tidak konsis-ten akan membuat seluruh tim pencari juga tidak konsisten. Bayangkan lima sampaisepuluh 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 sum-ber asap adalah dengan menggunakan lebih banyak agen pencari. Semakin banyakagen, tentu akan semakin luas area yang dijelajahi sehingga membuat sumber asap da-pat ditemukan lebih cepat. Namun, akan lebih efektif lagi jika melakukan pencariandengan menggunakan banyak kelompok pencari. Sebagai contoh, alih-alih menggu-



nakan sepuluh robot untuk mencari lima sumber asap, akan lebih menguntungkan jikamenggunakan dua tim pencari yang masing-masing beranggotakan lima robot. Caraini akan memunculkan dua global best, alih-alih satu, seperti yang terlihat pada Gam-bar 5.3. Tentu saja adanya tambahan global best ini akan membuat agen pencari dapatmelakukan pencarian terhadap beberapa sumber asap dalam satu waktu, tanpa terlalusering menimbulkan inkonsistensi global best. Selain itu, sifat konvergen PSO dapatterutilisasi dengan baik karena dengan cara ini dapat membuat tim pencari hanya fokuspada satu sumber. Anda tentu masih ingat bahwa konvergen merupakan sifat alami yangdimiliki oleh PSO dan merupakan sifat yang penting dalam pencarian sumber asap.

Pada bidang Komputasi Evolusioner (Evolutionary Computation), algoritma yangmenangani masalah dengan banyak solusi disebut dengan algoritma niching. Prosesyang dilakukan untuk menemukan banyak solusi disebut dengan istilah niche atau spe-

ciation. Konsep algoritma niching berasal dari proses alami dalam kehidupan, yaitukondisi ketika sejumlah individu bersaing untuk mendapatkan sumber makanan yangjumlahnya terbatas di alam bebas. Persaingan ini pada akhirnya mengeluarkan sifat-sifat alami dari makhluk hidup tersebut. Pada akhirnya individu-individu yang adaberkumpul dan membentuk suatu kelompok untuk bekerjasama dalam memenuhi ke-butuhan mereka. Horn [50] mendefinisikan niching sebagai berikut:

”form of cooperation around finite, limited resources, resulting in the lackof competition between such areas, and causing the formation of speciesfor each niche”

Menurut definisi tersebut, niche adalah bagian dari ruang pencarian. Sementara spe-sies (species) adalah bagian dari kumpulan partikel yang bersaing dalam lingkungantersebut. Pada presepsi Optimisasi Komputasi (Computational Optimization), sebuahniche menggambarkan satu solusi dari suatu masalah, sementara species adalah kelom-pok dari individu-individu yang bersifat konvergen ke satu niche.

Selain kompleksitas yang disebabkan oleh sifat difusi dan adveksi, permasalahanlain yang muncul pada pencarian banyak sumber adalah sulitnya partikel untuk mene-mukan sumber asap lain setelah menemukan salah satu sumber asap yang ada. Hal initergambarkan dengan baik pada Gambar 5.4. Pada gambar tersebut terlihat ada tigabuah sumber asap yang ingin ditemukan dengan memanfaatkan enam buah agen pen-cari. Agen-agen pencari ini terdiri dari tiga buah partikel netral dan tiga buah partikelbermuatan. Gambar 5.4a memperlihatkan bahwa partikel-partikel sudah berhasil me-nemukan sumber asap yang paling kiri pada t ke delapan . Gambar tersebut juga mem-perlihatkan bahwa partikel-partikel berkumpul disekitar sumber tersebut. Namun adasatu partikel bermuatan yang berada pada area asap sumber yang tengah. Sayangnya,partikel tersebut tidak dapat membantu partikel-partikel lainnya menuju sumber asapyang berada ditengah, bahkan sampai t ke lima belas. Pada Gambar 5.4b terlihat bahwa



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 beradadisekitar posisi sumber yang pertama. Pada akhirnya kondisi ini akan membuat PSOberhenti karena sudah mencapai konvergensi dan tidak berhasil menemukan sumberasap 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 modifikasi-modifikasi untuk meng-atasi masalah akibat sifat adveksi dan difusi banyak sumber asap serta teknik untukmembuat agen mampu menemukan seluruh sumber asap yang ada dalam ruang pen-carian. Selain permasalahan tersebut, agen tetap harus menghadapi permasalahan dankompleksitas yang muncul dalam pencarian satu sumber, seperti perubahan arah angindan bertambah luasnya area pencarian. Lebih lengkap mengenai permasalahan dalampencarian satu sumber dapat Anda baca dalam Bab 4 pada halaman 99.

Seluruh pengembangan algoritma modifikasi pada bab ini akan menggunakanasumsi-asumsi berikut:

1. Posisi awal robot diasumsikan selalu berada pada salah satu sisi ruangan dansetiap robot memiliki jarak yang cukup satu sama lainnya. Asumsi ini juga dapatdiartikan 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 utilisasiangin dalam setiap pencarian.



V n+1i = χ(V n

i +

individu︷︸︸︷c1.rand().(pn

i − xni )+

sosial︷︸︸︷c2.rand().(pn

g− xni ))︸︷︷︸

persamaan standar PSO

+

gaya tolak︷︸︸︷an

i (5.1)

xn+1i = xn

i +V n+1i (5.2)

ani =

max(i)

∑l=1,i6=l

anil (5.3)

∀i 6= l : anil =

Q2.(xni − xn

l )

r2inti.|xn

i − xnl |

jika |xni − xn

l |< rinti

Q2.(xni − xn

l )

|xni − xn

l |3jika rinti ≤ |xn

i − xnl | ≤ rluar

0 jika rluar < |xni − xn

l |

(5.4)

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, . . .}χ = faktor konstriksi

c1 = tingkat akselerasi untuk faktor kognitif, nilainya antara 0 sampai 1

c2 = tingkat akselerasi untuk faktor sosial, nilainya antara 0 sampai 1

V ni = kecepatan partikel ke i pada iterasi ke n

xni = posisi partikel ke i pada iterasi ke n

xnl = posisi partikel ke l pada iterasi ke n

pni = local best dari partikel ke i pada iterasi ke n

png = global best pada iterasi ke n

rand() = fungsi acak, nilainya antara 0 sampai 1

ani = total besar gaya tolak terhadap partikel ke i pada iterasi ke n

anil = besar gaya tolak menolak antara partikel ke i dan l pada iterasi ke n

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 baca-baca kembali konsep PSO dalam bab 3 pada halaman 45. Ada baiknya juga Anda mem-baca mengenai PSO bermuatan yang terdapat dalam subbab 4.5 pada halaman 114.


DAFTAR REFERENSI

[1] W. Jatmiko, K. Sekiyama, and T. Fukuda. A pso-based mobile robot for odorsource localization in dynamic advection-diffusion with obstacles environment:Theory simulation and measurement. IEEE Computational Intelligence Magazine,2007.

[2] Wulung Pambuko. Modifikasi particle swarm optimization untuk pencarianbanyak sumber asap dengan open dynamic engine. Master’s thesis, UniversitasIndonesia, 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, andFrancis D. Moore. The measurment of total body water in the human subject bydeutrium 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 sensoryperception 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? alook at how human body odor influences sexual attraction. In Psychology Today

Magazine.

[11] A. T. Hayes, A. Martinoli, and R. M. Goodman. Distributed odor source localiza-tion. 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? Evo-

lutionary 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. Chapmanand Hall: London, 1997.

[18] Wei Li, Jay A. Farrell, and Ring T. Card. Tracking of fluid-advected odor plumes:Strategies inspired by insect orientation to pheromone. Journal of Adaptive Be-

havior, 2001.

[19] F. Grasso, J. Basil, and J. Atema. Toward convergence: Robot and lobster per-spective of tracking odor to their source in the turbulent marine environment.

[20] Ferdian Jovan. Pengembangan modul perilaku pada sistem lokalisasi sumber asapdengan menggunakan algoritma particle swarm optimization dan algoritma zig-zag. Master’s thesis, Universitas Indonesia, 2010.

[21] Jim H. Belanger and Mark A. Willis. Biologically-inspired search algorithms forlocating 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 mobilerobots. Technical report, Ecole Polytechnique Federale Lausanne, 2007.

[23] N. J. Vickers and T. C. Baker. Reiterative responses to single strands of odorpromote sustained upwind flight 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 compar-ison to tracking turbulent chemical odor plumes. Limnology and Oceanography,2001.

[25] Vitorino Ramos, Carlos Fernandes, and Agostinho C. Rosa. Social cognitivemaps, swarm collective perception and distributed search on dynamic landscapes.Journal of New Media in Neural and Cognitive Science, 2005.


DAFTAR REFERENSI

[26] A. Dhariwal, G. S. Sukhatme, and A. A. G. Requich. Bacterium-inspired robotsfor environmental monitoring. In IEEE International Conference of Robotics and

Automation.

[27] Aditya Nugraha. Modifikasi particle swarm optimization untuk pencarian banyaksumber asap dengan visualisasi. Master’s thesis, Universitas Indonesia, 2008.

[28] A. Lilienthal and T. Duckett. Creating gas concentration gridmap with a mobilerobot. IEEE International Conference on Intelligent Robots and Systems, 2003.

[29] Walcek C. J. Minor flux adjustment near mixing ratio extremes for simplified yethighly accurate monotonic calculation of tracer advection. Journal Geophysical

Research, 2000.

[30] Ricardo Gutierrez-Osuna, Jason Hamor, Simon Saugier, Ninh Dang, and GregAlbee. Odor tracking robot. Technical report, Texas A and M University, 2003.

[31] H. Ishida, Y. Kagawa, T. Nakamoto, and T. Moriizumi. Odour-source localiza-tion 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 trajectorygeneration 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. Filament-based atmospheric dispersion model to achieve short time-scale structure of odorplumes. Environment Fluid Mechanics, 2002.

[34] W. Jatmiko, A. Nugraha, W. Pambuko, B. Kusumoputro, and A. Febrian. Local-izing multiple odor sources in dynamic environment using niche pso with flow ofwind 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 Mul-

tiple Robots. PhD thesis, Nagoya University, 2007.

[36] J.M.B. Calvo, S. Bermudez I Badia, H.T. Simo, and P.F.M.J. Verschure. Thereal-world localization and classification of multiple odours using a biologicallybased neurorobotics approach. International Joint Conference on Neural Net-

works (IJCNN), 2010.

[37] W. Jatmiko, T. Fukuda, F. Arai, and B. Kusumoputro. Artificial odor discrimina-tion system using multiple quartz resonator sensors and various neural networks


DAFTAR REFERENSI

for recognizing fragrance mixtures. In Proceedings of the 2004 International Sym-

posium 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 menggu-nakan banyak kamera studi kasus: Pencarian sumber kebocoran gas. Master’sthesis, Universitas Indonesia, 2010.

[39] Andries P. Engelbrecht. Fundamentals of Computational Swarm Intelligence. Wi-ley, 2005.

[40] T. M. Blackwell and P. J. Bentley. Dynamic search with charged swarms. InProceedings 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 usingranged subgroup pso with flow of wind based on open dynamic engine library. InInternational Symposium on Micro-NanoMechatronics and Human Science.

[42] W. Jatmiko, Rochmatullah, B. Kusumoputro, H. R. Sanabila, K. Sekiyama, andT. Fukuda. Visualization and statistical analysis of fuzzy-neuro learning vectorquantization 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. Fuzzylearning vector quantization based on particle swarm optimization for artificialodor dicrimination system. WSEAS TRANSACTIONS on SYSTEMS, 2009.

[44] W. Jatmiko, A. Nugraha, R. Effendi, W. Pambuko, R. Mardian, K. Sekiyama, andT. Fukuda. Localizing multiple odor sources in a dynamic environment based onmodified niche particle swarm optimization with flow of wind. WSEAS TRANS-

ACTIONS 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 envi-ronment. In Proceeding of the International Conference on Artificial Intelligence.

[47] T. M. Blackwell. Swarms in dynamic environment. In Proceedings of the Genetic

and Evolutionary Computation.


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 op-tical communication system using particle swarm optimization algorithm. Optics

Communications, 2001.

[49] T. M. Blackwell and P. J. Bentley. Dont push me! collision-avoiding swarms. InProceedings 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, Depart-ment of Computer Science, University of Pretoria, 2002.

[52] R. Brits, A. P. Engelbrecht, and F. Van Den Bergh. Niche particle swarm optimiza-tion. 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 op-timizer. In Fourth Asia-Pacific Conference on Simulated Evolution and Learning.

[54] Achmad Rohman. Analisis pengimplementasian robot al fath menggunakan algo-ritma modifikasi partikel swarm optimization dalam pencarian multi sumber asap.Master’s thesis, Universitas Indonesia, 2010.


DAFTAR REFERENSI


PROFIL SINGKAT PENELITI

WISNU 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, Traffic 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 In-

donesia, kebutuhan akan dua hal tersebut semakin besar

Quotes:Tidak ada tanggal merah di kalender saya247 merupakan angka terbaik setiap minggunya

215

DAFTAR REFERENSI

RUSDI EFENDI

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 Modifikasi Algoritma Particle Swarm Opti-

mization untuk Pencarian Multi Sumber Gas : Simulasi dan Analisis

Pengalaman dan Kesan:Pekerjaan yang menarik dengan orang-orang yang menarik dan enak di-

ajak diskusi, menambah pengalaman, semua teman - teman di lab sangat

membantu sekali dalam menyelesaikan tugas

Quotes:. . .

WULUNG 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 de-

ngan 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

efisiensi waktu, sering menginap bersama meningkatkan rasa kekeluargaan

di antara anggota lab

Quotes:”Dari 99 percobaan saya, ke-100 lah yang berhasil” Albert Einstein


DAFTAR REFERENSI

ANDREAS FEBRIAN

Jakarta, Februari 1985

Asisten Riset di Fakultas Ilmu Komputer Universitas Indonesia

Ketertarikan:Kecerdasan Buatan, Aplikasi Mobile, Aplikasi Web, Human Computer In-

teraction, Pengembangan Sistem, Pengembangan Alat Bantu, Psikologi,

Mengajar

Keterlibatan pada Penelitian:Tahun 2010 - sekarang: Pengembangan perangkat lunak 3D dengan model

robot Al-Fath dan modifikasi 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

ADITYA NUGRAHA

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 forwinning


DAFTAR REFERENSI

RANU WIJOYO

Maret 1987

System Developer

Ketertarikan:Bagaimana robot-robot tersebut membagi area pencarian dan berkomu-

nikasi/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 mengob-

ati keingintahuan saya mengenai robot, pengalaman waktu itu yang meng-

haruskan 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 andadan orang-orang terdekat karena kebahagian tidak ternilai denganuang

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”


DAFTAR REFERENSI

FERDIAN JOVAN

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!”


DAFTAR REFERENSI


UCAPAN TERIMA KASIH

Tim penulis secara khusus ingin mengucapkan terima kasih kepada nama-nama/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 yangdimulai sejak awal tahun 2000 di Nagoya University dan dilanjutkan pada tahun2007 di Universitas Indonesia.

• Prof. T. Fukuda dan Prof. K. Sekiyama dari Nagoya University atas dukungandan keterlibatannya dalam penelitian pencarian sumber asap.

• Fakultas Ilmu Komputer Universitas Indonesia atas dukungannya dalam bentuktempat dan fasilitas serta izin melakukan penelitian pencarian sumber asap.

• Kementerian Riset dan Teknologi Republik Indonesia atas dana hibah dari pro-gram penelitian Insentif tahun 2008 dan 2009.

• Indonesia Toray Science Foundation atas dana hibah dari program Science AndTechnology Research Grant tahun 2007.

• Kementerian Pendidikan Nasional Republik Indonesia atas dana hibah dari pro-gram penelitian Strategis Nasional tahun 2009.

• Aditya Nugraha yang telah mengizinkan penggunan hasil karyanya mengenai im-plementasi PSO dalam perangkat simulasi 2D dan pengembangan PSO sebagaibahan dalam buku ini.

• Wulung Pambuku dan Andreas Febrian yang telah mengizinkan penggunaan hasilkaryanya mengenai implementasi PSO dalam perangkat lunak simulasi 3D danpengembangan tingkat lanjut PSO sebagai bahan dalam buku ini.

• Jeremiah Perkasa yang telah banyak membantu dalam implementasi perangkatlunak PSO baik versi 2D atau 3D.

• Ferdian Jovan, Dhiemas R.Y.S., dan M. Alvis Salim yang telah mengizinkanpenggunaan hasil karyanya mengenai implementasi PSO pada robot Al-Fath, pe-ngembangan GPS-Adhoc, dan protokol komunikasi dengan wireless USART se-bagai bahan dalam buku ini.

221

DAFTAR REFERENSI

• Rusdi dan Ahmad Rochman yang telah mengizinkan penggunaan hasil karyanyamengenai 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 Affiliate (YA) yang mengizinkan penggunaan beberapa fotonya untuk di-tampilkan dalam buku ini.

• Rani Kusumawardhani (Fasilkom UI 2003) yang telah mengizinkan penggunaanfoto Gunung Bromo (Gambar 1.1).

• Visto Tjahjadi (Farmasi UI 2006) yang telah mengizinkan penggunaan foto peng-gunaan masker di lab (Gambar 1.7).

• Christian Regensius dan Ferdian Jovan yang sudah bersedia sebagai model fotodalam buku ini.


DAFTAR INDEX

———— A ————adaptif . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160

adhock . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

adsorpsi . . . . . . . . . . . . . . . . . . . . . . . . . 71, 72

adveksi . . . . . . . . . . . . . . . . . . . . . . 2, 51, 154

agen . . . . . . . . . . . . . . . . . 21, 24, 45, 73, 100

artifisial . . . . . . . . . . . . . . . . . . . . . . . . .19

aktuator . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

al-fath . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74

ambien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

amplitudo. . . . . . . . . . . . . . . . . . . . . . . . . . .36

anemotaksis . . . . . . . . . . . . . 27, 29, 31, 121

angin . . . . . . . . . . . . . . . . . . . 21, 32, 49, 120

utilisasi . . . . . . . . . . . . . . . . . . . . . . . . . 32

anjing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

ANOVA . . . . . . . . . . . . . . . . . . . . . . . . . . . 205

api . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9, 10

area

aman . . . . . . . . . . . . . . . . . . . . . . . . . . 189

kekuasaan . . . . . . . . . . . . . . . . . . . . . 179

ketertarikan . . . . . . . . . . . . . . . . . . . . 180

terlarang . . . . . . . . . . . . . . . . . . . . . . . 124

aroma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

arsitektur

perangkat keras . . . . . . . . . . . . . . 65, 66

artificial

intelligence . . . . . . . . . . . . . . . . . . . . . 20

asap . . . . . . . . . . . . . . . . . . 2, 7, 49, 160, 161

eulerian . . . . . . . . . . . . . . . . . . . . . . . . . 55

farrel . . . . . . . . . . . . . . . . . . . . . . . . 58, 59

gaussian . . . . . . . . . . . . . . . . . . . . . . . . 56

pemodelan . . . . . . . . . . . . . . . 55, 60, 62

simulasi . . . . . . . . . . . . . . . . . . . . . . . . 60

autonomous . . . . . . . . . . . . . . . . . . . . . . . . . 20

———— B ————bau . . . . . . . . . . . . . . . . . . . . . . 4, 7, 9, 10, 12Beda Nyata Terkecil . . . . . . . . . . . . . . . . 204blobs

filtering . . . . . . . . . . . . . . . . . . . . . . . . . 81bluetooth . . . . . . . . . . . . . . . . . . . . . . . . . . . 84board . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .78bocor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .12

———— C ————cerdas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20color

filtering . . . . . . . . . . . . . . . . . . . . . . . . . 81coulomb . . . . . . . . . . . . . . . . . . . . . . . . . . . 114

———— D ————deadsorpsi . . . . . . . . . . . . . . . . . . . . . . . . . . 72deasorpsi . . . . . . . . . . . . . . . . . . . . . . . . . . . 71deklarasi . . . . . . . . . . . . . . . . . . . . . . . . . . . .24deteksi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109difusi . . . . . . . . . . . . . . . . . 2, 21, 31, 51, 154digiduca . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28dispersi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55divergen . . . . . . . . . . . . . . . . . . . . . . 102, 119divergensi . . . . . . . . . . . . . . . . . see divergen

———— E ————encoder . . . . . . . . . . . . . . . . . . . . . . . . . . . . .78equilibrium . . . . . . . . . . . . . . . . . . . . . . . . . 88evakuasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10evolusioner . . . . . . . . . . . . . . . . . . . . . . . . . 85

———— F ————faktor

akselerasi . . . . . . . . . . . . . . . . . . . . . . . 86kecepatan . . . . . . . . . . . . . . . . . . . . . . . 86konstriksi . . . . . . . . . . . . . . . . . . . . . . . 86

223

DAFTAR INDEX

fasekritis . . . . . . . . . . . . . . . . . . . . . . . . . . 111menyebar . . . . . . . . . . . . . . . . . 164, 166PSO . . . . . . . . . . . . . . . . . . . . . . . . . . . 109

feromon . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33filter

blob . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66fitness

function . . . . . . . .see fungsi kebugaranfluida . . . . . . . . . . . . . . . . . . . . . . . . 30, 32, 46frekuensi . . . . . . . . . . . . . . . . . . . . . . . . . . . 82fungsi

kebugaran . . . . . . . . . . . . . . . . . . . . . . . 88

———— G ————gas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2, 7, 21

beracun. . . . . . . . . . . . . . . . . . .see racunberbau . . . . . . . . . . . . . . . . . . . . . see baudistribusi . . . . . . . . . . . . . . . . . . . . . . . .37konsentrasi . . . . . . . . . . . . . . . . . . . . . . 53model . . . . . . . . . . . . . . . . . . . . . see asap

gayatolak . . . . . . . . . . . . . 117, 118, 128, 179

genetik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85global

best . . . . . . . . . . . . . .107, 154, 171, 182optima. . . . . . . . . . . . . . . . . . . . . . . . .117

global best . . . . . . . . . . . . . . . . . . . . . . . . . . 80gps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

———— H ————header . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78hidrogensulfida . . . . . . . . . . . . . . . . . . . . . . . 7hidung elektronik . . . . . . . . . 19, 23, 67, 68

———— I ————indikator . . . . . . . . . . . . . . . . . . . . . . . . . . 3, 4industri . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

———— K ————kamera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66

kapasitorbypass . . . . . . . . . . . . . . . . . . . . . . . . . . 78

karbondioksida . . . . . . . . . . . . . . . . . . . . . . . 1karbonmonoksida . . . . . . . . . . . . . . . . . . 1, 7kebakaran . . . . . . . . . . . . . . . . . . . . . . . 9 – 11kebocoran . . . . . . . . . . . . . . . . . . . . see bocorkemotaksis . . . . . . . . . . . . . . . . . . . . . 29 – 31kognitif . . . . . . . . . . . . . . . . . . . . . . . 100, 106kompas . . . . . . . . . . . . . . see sensor kompaskompleksitas . . . . . . . . . . . . . . . . . . . . . . . 102komponen

kognitif . . . . . . . . . . . . . . . . . . . . . . . . . 86sosial . . . . . . . . . . . . . . . . . . . . . . . . . . . 86

konvensional . . . . . . . . . . . . . . . . . . . . 11, 14konvergen . . . . 87, 101, 102, 106, 107, 160konvergensi . . . . . . . . . . . . . . see konvergenkristal . . . . . . . . . . . . . . . . see osilator kristalkritis . . . . . . . . . . . . . . . . . . . . . see fase kritis

———— L ————lapangan. . . . . . . . . . . . . . . . . . . . . . . . . . . .64lingkungan dinamis . . . . . . . . . . . . . . . . . 101local best . . . . . . . . . . . . . . . . . . . . . . . . . . . 80lokal

optima. . . . . . . . . . . . . . . . . . . . . . . . .111LPG. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

———— M ————masker . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13master . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79matriks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93media

komunikasi . . . . . . . . . . . . . . . . . . . . . . .4menyebar . . . . . . . . . . . . . . . . . . . . . . . . . . 164metana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7mikro . . . . . . . . . . . . . see pengontrol mikromobile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20modul

kamera . . . . . . . . . . . . . . . . . . . . . . . . . 80komunikasi . . . . . . . . . . . . . . . . . . . . . 82


DAFTAR INDEX

perilaku. . . . . . . . . . . . . . . . . . . . . . . . .79

modularisasi . . . . . . . . . . . . . . . . . . . . . . . . 79

muatan . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114

———— N ————navigasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

netral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114

niche . . . . . . . . . . . . . . . . . . . . . . . . . 156, 171

nirkabel . . . . . . . . . . . . . . . . . . . . . . . . . 15, 77

———— O ————OGR. . . . . . . . . . . . . . . . . . . . . . . . . . . .31, 32

oksida logam. . . . . . . . . . . . . . . . . . . . . . . .68

oksigen . . . . . . . . . . . . . . . . . . . . . . . . 1, 7, 69

optimisasi . . . . . . . . . . . . . . . . . . . . . . . . . . 85

orientasi . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95

osilator

kristal . . . . . . . . . . . . . . . . . . . . . . . . . . 78

———— 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

supply . . . . . . . . . . . . . . . . . . . . . . . . . . 78

primitif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85

prioritas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83

———— Q ————quartz crystal . . . . . . . . . . . . . . . . . . . . 68, 71

———— R ————racun . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .7, 9

radius

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

———— S ————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 ————thread . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

titik tengah . . . . . . . . . . . . . . . . . . . . . . . . 168

tombol


DAFTAR INDEX

reset . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78transisi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81

———— U ————udara . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2utama . . . . . . . . . . . . . see pengontrol utamautilisasi

angin . . . . . . . . . . . . . . . . . . . . . 120, 129

———— V ————vektor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93

———— W ————webservice . . . . . . . . . . . . . . . . . . . . . . . . . .80wireless . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

———— Z ————zig-zag . . . . . . . . . . . . . . . . . . . . . . . . . . 33, 34


DAFTAR INDEX


Swarm Robot PSO Dalam Pencarian Sumber Asap (hanya sebagian dari isi buku)

Documents

Transcript of Swarm Robot PSO Dalam Pencarian Sumber Asap (hanya sebagian dari isi buku)