Penerapan Backpropagation untuk Meningkatkan Efektivitas Waktu dan Akurasi pada Data Wall-Following Robot Navigation

Aprilia Tri Wahyu Utami, Brodjol Sutijo Supri Ulama
Submission Date: 2015-07-29 11:41:12
Accepted Date: 2016-01-22 12:18:35

Abstract


Mobile robot adalah sebuah mesin otomatis yang mampu bergerak pada suatu kondisi tertentu sehingga mobile robot membutuhkan sistem navigasi yang baik. Untuk bernavigasi dengan baik, dibutuhkan adaptasi yang cepat dan respon yang sesuai terhadap kejadian baru yang terjadi di sekitarnya. Dalam navigasi robot, terdapat indikasi bahwa pola klasifikasinya bersifat nonlinier. Oleh karena itu, navigasi robot dapat menggunakan algoritma backpropagation untuk menginterpretasikan input sensor yang dimiliki robot. Dalam tugas akhir ini akan dicari pendekatan yang dapat membuat penerapan backpropagation dalam data wall-following robot navigation lebih efektif. Proses pelatihan ini dapat dikatakan lebih efektif apabila dalam pelatihan tersebut dibutuhkan waktu yang lebih singkat namun tetap mampu mempertahankan atau bahkan dapat meningkatkan akurasi. Dalam penelitian ini digunakan lima variasi pelatihan backpropagation yaitu gradient descent backpropagation, gradient descent with momentum backpropagation, gradient descent with adaptive learning rate backpropagation, gradient descent with momentum and adaptive learning rate backpropagation, dan Levenberg-Marquardt backpropagation. Berdasarkan kecepatan pelatihan, pelatihan Levenberg-Marquardt backpropagation mempunyai MSE yang lebih cepat konvergen daripada pelatihan lainnya. Sedangkan berdasarkan akurasi, pelatihan gradient descent with momentum and adaptive learning rate memiliki ketepatan klasifikasi yang paling baik untuk data testing. Dalam navigasi robot, lebih diutamakan pemilihan bobot dan bias yang dapat menghasilkan akurasi yang paling baik untuk testing. Oleh karena itu, disimpulkan bahwa gradient descent with momentum and adaptive learning rate merupakan pelatihan yang terbaik untuk digunakan sebagai dasar sistem navigasi robot.

Keywords


Wall-Following Robot Navigation; Backpropagation; Gradient Descent; Momentum; Adaptive Learning Rate; Levenberg-Marquardt

References


Fausett, L. (1994). Fundamental of Neural Network ,Architectures, Algorithms, and Applications. New Jersey: Prentice-Hall.

Nugroho, S. (2007). Dasar-dasar Metode Statistika. Jakarta: Grasindo.

Johson, N. and Wichern, D. (2007). Applied Multivariate Statistical Analysis, Sixth Edition. New Jersey: Pearson Education, Inc.

Witten, I.H, Frank, E. dan Hall, M.A. (2011). Data Mining: Pratical Machine Learning Tools and Techniques. 3rd Ed. Massachusetts: Morgan Kaufmann.

Siang, J.J.S. (2009). Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan MATLAB. Yogyakarta: Penerbit ANDI.

Haykin, S. (2009). Neural Network and Learning Machines 3rd Edition. New Jersey: Pearson International Edition.

Puspitaningrum, D. (2006). Pengantar Jaringan Saraf Tiruan. Yogyakarta: Penerbit ANDI.

Santosa, B. (2007). Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu.

Battiti, R. (1989). Accelerated Backpropagation Learning: Two Optimization Methods. Complex System. 3. p.331-342.

Yu, H. dan Wilamowski, B.M. (2010). Levenberg-Marquadt Training. K10149_C012.indd.

Winarno dan Arifianto, D. (2011). Bikin Robot itu Gampang. Jagakarsa: PT. Kawan Pustaka.

McComb, G. dan Predko, M. (2006). The Robot Builder’s Bonanza. 3rd Ed. New York: McGraw-Hill Education.

UCI Machine Learning Repository. (2010). Wall-Following Robot Navigation Data Data Set [Online]. Diakses dari: http://archive.ics.uci.edu/ml/datasets/WallFollowing+Robot+Navigation+Data.


Full Text: PDF

CC Licencing


Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).

Refbacks

  • There are currently no refbacks.


Lembaga Penjaminan Mutu, Pengelolaan dan Perlindungan Kekayaan Intelektual (LPMP2KI) ITS
Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.