Electrical Engineering: 2021

Kamis, 09 Desember 2021

APLIKASI UAS : KLASIFIKASI DATA SINYAL EOG UNTUK PENGENDALIAN KURSI RODA MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM)

Referensi : Analisa Perbandingan kinerja metode klasifikasi support vector machine untuk mengenali kedipan mata berdasarkan signal EOG oleh Ahmad Yunus

[KEMBALI KE MENU SEBELUMNYA]

DAFTAR ISI

1. Tujuan [back]
Mahasiswa mampu memecahkan kasus terkait perancangan fuzzy logic controller.

2. Alat dan Bahan [back]

Alat yang digunakan yaitu Matlab.

3. Dasar Teori [back]

MATLAB

MATLAB merupakan bahasa pemrograman tingkat tinggi yang dikembangkan oleh MathWorks dan dikhususkan untuk komputasi numerik, visualisasi, dan pemrograman.

KLASIFIKASI DATA SINYAL EOG UNTUK PENGENDALIAN KURSI RODA MENGGUNAKAN ALGORITMA SUPPORT VECTOR MACHINE (SVM)

SUPPORT VECTOR MACHINE (SVM)

Support vector machine (SVM) merupakan suatu teknik yang digunakan untuk prediksi, baik dalam kasus klasifikasi maupun regresi. Secara sederhana konsep SVM yaitu usaha untuk mencari hyperplane terbaik yang digunakan sebagai pemisah dua buah kelas pada input space. Hyperplane terbaik merupakan suatu garis yang memisahkan kelas data yang memiliki margin terbesar. Margin adalah jarak antara hyperplane tersebut dengan data terdekat dari masing-masing kelas. Data yang paling dekat ini disebut support vector.

hyperplane klasifikasi linear SVM dinotasikan dengan :

Untuk menghitung nilai margin antara bidang pembatas menggunakan rumus jarak garis ke titik pusat dinotasikan sebagai berikut:

Untuk menyelesaikan kasus non linear, SVM dimodifikasi dengan cara memasukkan fungsi kernel. Konsep dasar dari fungsi kernel ini adalah dengan memetakan x ke ruang vektor yang berdimensi tinggi pada ruang vektor yang baru.

1. Kernel Gausian Radial Basic Function (RBF)

Fungsi ini biasanya digunakan untuk data yang sudah valid (available) dan merupakan default tools dalam SVM. Persamaan fungsi kernel RGF dapat dinotasikan dengan:

2. Kernel Polynomial

Biasanya digunakan untuk klasifikasi gambar. Persamaan kernel polynomial seperti berikut:

3. Kernel Tangen Hyperbolic (Sigmoid)

Fungsi ini sering digunakan untuk neural networks. Berikut persamaannya.

4. Kernel Linear

Merupakan fungsi kernel yang paling sederhana. Biasanya digunakan untuk klasifikasi teks. Persamaan fungsinya yaitu:

Multiclass Support Vector Machine (SVM)

1. Metode One-against-all (satu lawan semua)

2.1.1. 2. Metode One-against-one (satu lawan satu)

Support Vector Machine (SVM) digunakan pada kasus pengendalian kursi roda menggunakan sinyal gerakan mata. Pengujian yang dilakukan dengan menggunakan algoritma multiclass one vs one. Sinyal diambil menggunakan sensor EOG. Data yang diperoleh akan di kelompokkan menjadi 5, yaitu.

1. Kedip sadar untuk memulai pergerakan kursi Roda

2. Lirik Atas untuk gerakan maju

3. Lirik Bawah untuk gerakan mundur

4. Lirik Kanan untuk membuat kursi roda bergerak ke arah kanan

5. Lirik Kiri untuk membuat kursi roda bergerak ke arah kiri

Pengelompokkan data ditentukan berdasarkan beberapa variable (Feature) diantaranya,

1. Perioda sinyal Ch1

2. Periode sinyal Ch2

3. Luas sinyal Ch1

4. Luas sinyal Ch2

5. Nilai Max Ch1

6. Nilai Max Ch2

7. Nilai Min Ch1

8. Nilai Min Ch2

Fungsi hyperline didapatkan untuk memisahkan kelas. Fungsi hyperplane yang terbaik didapatkan dari data yang terdekat dengan fungsi hyperpline dengan margin yang paling besar.

Dataset yang digunakan

Data 50 responden yang sama dilakukan 5 gerakan untuk masing-masing responden, dan masing masing gerakan dilakukan pengulangan sebanyak 20 kali. Sejumlah 34 orang sebagai data latih dan 16 orang sebagai data uji. Total data dari 50 responden untuk masing – masing gerakan adalah 1000 data, dengan 5 gerakan berbeda, sehingga total data keseluruhan 5000 data. Dari 5000 data, 3400 data sebagai data latih dan 1600 sebagai data uji.

Target pengelompokkan/Outcomes

Target ini digunakan untuk pengelompokkan kelas. Pengelompokkan ini didasarkan pada hasil pengujian data latih terhadap data uji. Target ini terdiri dari 5 bagian yaitu.

a. Kedip sadar diwakilkan oleh angka 1

b. Lirik atas sadar diwakilkan oleh angka 2

c. Lirik Bawah diwakilkan oleh angka 3

d. Lirik Kanan diwakilkan oleh angka 4

e. Lihat kiri diwakilkan oleh angka 5

4. Percobaan [back]

Langkah 1. Masukkan Dataset dan Target Pada Program

Langkah 2. Gunakan Program SVM untuk klasifikasi data

Langkah 3. Jalankan Program dan lihat hasil klasifikasi SVM pada bagian Workspace

Langkah 4. Untuk melihat respon hasil klasifikasi SVM, gunakan toolbox Classification Learner.

Pilih menu SVM Linear. Kemudian inputkan data hasil klasifikasi sebelumnya.

Kemudian lakukan Train terhadap data yang di inputkan.

Hasilnya

5. Video [back]

6. Link Download [back]

Download HTML : download

File Matlab

Data set

Video Part 1 | Part 2

APLIKASI UAS : LAMPU LALU LINTAS OTOMATIS BERDASARKAN TINGKAT KEPADATAN KENDARAAN

Referensi :

1. Pengendalian Lampu Lalu Lintas Cerdas di Persimpangan Empat Ruas yang Kompleks Menggunakan Algoritma Adaptive Neuro Fuzzy Inference System oleh Budi Santoso, dkk.

2. Implementasi Metode Logika Fuzzy dalam Pembangunan Sistem Optimalisasi Lampu Lalu Lintas oleh Martinus Maslim, dkk.

[KEMBALI KE MENU SEBELUMNYA]

DAFTAR ISI

1. Tujuan [back]
Mahasiswa mampu memecahkan kasus terkait perancangan fuzzy logic controller.

2. Alat dan Bahan [back]

Alat yang digunakan yaitu Matlab.

3. Dasar Teori [back]

MATLAB

MATLAB merupakan bahasa pemrograman tingkat tinggi yang dikembangkan oleh MathWorks dan dikhususkan untuk komputasi numerik, visualisasi, dan pemrograman.

Aplikasi Fuzzy Logic Kontroler Untuk Lampu Lalu Lintas Otomatis Berdasatkan Kepadatan Kendaraan

ANFIS

Adaptive Neuro Fuzzy Inference System (ANFIS) merupakan penggabungan dari mekanisme fuzzy inference system yang digambarkan dalam arsitektur jaringan saraf. Sistem inferensi fuzzy yang digunakan adalah fuzzy inference system model Tagaki-Sugeno-Kang (TSK) orde satu dengan pertimbangan kesederhanaan dan kemudahan komputasi.

Neuro-fuzzy adalah gabungan dari dua sistem, yaitu sistem logika fuzzy dan jaringan saraf tiruan. Sistem neuro-fuzzy berdasarkan pada sistem inferensi fuzzy yang dilatih menggunakan algoritma pembelajaran yang diturunkan dari sistem jaringan saraf tiruan.

Fungsi rule pada ANFIS diidentikan dengan neuron pada JST. Perbedaan dasar antara neuron fuzzy (ANFIS) dengan neuron JST adalah pada ANFIS berupa logika fuzzy, sedangkan pada JST berupa bobot. Sedangkan perbedaan ANFIS dengan FIS adalah pada proses penyusunan rule dimana ANFIS membentuk rule dengan proses pembelajaran yang mirip dengan metode JST, sedangkan FIS menggunakan logika kepakaran.

Arsitektur ANFIS diasumsikan hanya mempunyai dua masukan (X1 dan X2), serta satu keluaran (Y). Pada model Sugeno orde satu, himpunan aturan menggunakan kombinasi linier dari input-input yang ada yang dapat diekspresikan sebagai berikut:

Mekanisme penalaran pada model ini adalah :

Struktur ANFIS

Fungsi masing-masing layer dapat dijelaskan sebagai berikut

1. Layer 1

Berfungsi sebagai proses fuzzyfication. Setiap node pada layer ini bersifat adaptive dengan output.

X merupakan nilai input dan Ai atau Bi merupakan himpunan fuzzy. Masing-masing node pada layer 1 berfungsi untuk membangkitkan derajat keanggotaan.

2. Layer 2

Layer ini berfungsi untuk menghitung kekuatan aktivasi (firing strength) pada setiap rule sebagai hasil dari semua input yang masuk, dan dilambangkan dengan π :

3. Layer 3

Setiap node pada lapisan ini bersifat non- adaptif yang berfungsi hanya untuk menghitung rasio antara kekuatan aktivasi pada rule ke-i terhadap total aktivasi dari semua rule:

4. Layer 4

Setiap node pada lapisan ini bersifat adaptif dengan persamaan

Dimana 𝑤̅𝑖 adalah output dari layer 3 dan {𝑝𝑖𝑥1 + 𝑞𝑖𝑥2 + 𝑟𝑖 } adalah himpunan parameter pada fuzzy model Sugeno orde pertama.

5. Layer 5

Layer ini merupaka node tunggal yang dilambangkan S. Layer ini berfungsi untuk mengagregasikan seluruh output dari layer 4, dengan persamaan :

APLIKASI LAMPU LALU LINTAS OTOMATIS

Satu metode yang paling penting dan efektif untuk mengatur lalu lintas di persimpangan adalah dengan menggunakan lampu lalu lintas. Lampu lalu lintas adalah sebuah alat elektrik (dengan sistem pengaturan waktu) yang memberikan hak jalan (pada saat lampu menyala warna hijau) pada satu arus lalu lintas atau lebih sehingga aliran lalu lintas ini bisa melewati persimpangan dengan aman dan efisien. Persimpangan adalah simpul pada jaringan jalan yang merupakan pertemuan antar jalan.

Melihat pentingnya pengelolaan lalu lintas agar menghasilkan kelancaran arus lalu lintas, maka perlu adanya upaya untuk memaksimalkan penggunaan rambu lalu lintas khususnya lampu lalu lintas yang diterapkan dengan metode fuzzy Sugeno-ANFIS untuk meminimalkan waktu tunggu pengguna jalan. dan perpotongan lintasan kendaraan.

Pada Aplikasi ini, digunakan variable kepadatan kendaraan

Untuk variable ouput terdiri dari ruas jalan yang lampu hijau dan lama / durasi lampu hijau

Durasi lampu hijau dikelompokkan berdasarkan kepadatan kendaraan menjadi

1. Lama = 7

2. Sedang = 4

3. Cepat = 1

Pada Aplikasi ini Kita menggunakan 2 Adaptive Neuro Fuzzy Inference System (ANFIS) yaitu untuk pemilihan jalan yang akan lampu hijau serta durasi lampu hijau.

1. Pemilihan jalan yang akan lampu hijau

Pada pemilihan jalan ini, didasarkan pada kepadatan kendaraan serta jalan utama/jalan yang diprioritaskan.

Berdasarkan hal ini, dibentuk membership dan rule fuzzynya

Terdapat 2401 jumlah kondisi yang terjadi, karena terdapat 4 input, variable yaitu road1, road2, road3, road4 dan masing masing input dikelompokkan menjadi 7.

1. Lama Lampu Hijau

Lama/durasi lampu hijau dipengaruhi oleh kepadatan kendaraan.

4. Percobaan [back]

Rangkaian Simulasi

Percobaan

Langkah 1. Buat pada workspace matlab data variable input yang telah kita tentukan serta outputnya

Langkah 2. Buka toolbox matlab pada Neuro Fuzzy Designer. Kemudian inputkan data yang telah disipkan pada workspace

Kemudian pada generate FIS kita sesuaikan dengan jumlah input kita yaitu 7 7 7 7.

Untuk menampilkan structur ANFIS yang telah dibuat, pilih tools structure dan akan muncul tampilan berikut.

Langkah 3. Lakukan train data

Setelah dilakukan train data akan muncul tampilan seperti berikut.

Langkah 4. Eksport file ANFIS ke FIS type Sugeno dengan cara klik file > Export> To File.

Kemudian buat nama file sesuai yang diinginkan. Maka setelah di eksport file tersebut akan seperti berikut.

Langkah 5. Lihat pada bagian membership function. MF ini akan otomatis terbentuk sesuai dengan data kita.

Langkah 6. Masukkan ANFIS yang telah dibuat kedalam program untuk mengaplikasikannya, dengan cara sebagai berikut

Langkah 7. Maka program akan membaca data ANFIS. Jalankan simulasi Program