Navigasi Sistem Kontrol Robot Asisten Perawat pada Ruang Pasien COVID-19 Menggunakan Metode Convolutional Neural Network dan Algoritma Genetik
Abstract
Merebahnya Corona Virus-19 (Covid-19) yang sudah masuk ke indonesia di
akhir tahun 2019 banyak sekali korban terpapar virus hingga sampai korban
meninggal akibat virus mematikan itu. Banyak warga sipil meninggal, termasuk
para tenaga medis maupun dokter spesialis ikut terinfeksi akibat sering
berhubungan langsung dengan pasien yang telah terinfeksi corona virus-19 (Covid19). Kematian Petugas Medis dan Kesehatan di Indonesia bertambah dan menjadi
yang tertinggi di Asia dan nomor tiga terbesar di seluruh dunia.
Perkembangan teknologi robotika berkembang sangat pesat termasuk di
Indonesia, Dalam kasus ini di perlukan adanya robot asisten perawat sebagai
solusinya. Robot asisten perawat sangat besar sekali manfaatnya bagi tenaga
Kesehatan dimasa kini dan masa mendatang. Dalam penanganan pasien covid perlu
ditambahkan beberapa tugas pada robot selain bisa berkomunikasi diantaranya
membantu menghantarkan obat maupun makanan kepada pasien.
Dalam penelitian ini robot asisten perawat ini akan mengenali wajah pasien
kemudian akan bermanuver secara autonomus untuk mendekati pasien secara
langsung menggunakan kecerdasan buatan. Pada sistem elektrikal robot terdapat
beberapa komponen yang digunakan antara lain Camera omni, Jetson Nano, modul
I2c PCA9685, Driver Motor, motor DC. Untuk pengendalian robot digunakan
sebuah camera yang akan mengirim data ke Jetson Nano kemudian data data
tersebut diolah untuk memberikan intruksi yang sesuai ke motor DC.
Robot asisten perawat ini akan berperan membantu perawat dan dokter dalam
penanganan korban paparan inveksi virus di masa depan. Dengan menggunakan
robot yang sudah menggunakan navigasi secara autonomus akan sangat membantu
sekali tanpa harus ada operator dan meminimalis resiko terpapar virus corona
(Covid-19) kususnya pada petugas tenaga kesehatan. Robot autonomus juga dilengkapi dengan sistem pendeteksian wajah dengan
metode Convolutional Neural Network algoritma Yolov7-tiny yang terdiri dari 415
layer. Sebelum implementasi pendeteksian dibutuhkan model yang didapatkan
setelah proses training yang membutuhkan 3340 data gambar training dan 474 data
testing dengan hyperparameter 100 epoch dan 4 batch dan proses tersebut
menghasilkan model dengan nilai mAP 0.871.
Berdasarkan pengujian untuk mengetahui kehandalan model, sistem
pendeteksian mampu mencapai nilai akurasi deteksi 82.3 % - 100 % pada pengujian
secara real time dengan perbedaan jarak pasien. Kemudian dalam sistem tracking
pasien disertai pergerakan robot yang telah dilakukan pengujian sebanyak 6 kali
dengan perbedaan jangkauan Pasien dihasilkan waktu rata-rata tempuh 6 ms untuk
permeternya.
Kesimpulan yang didapatkan dari penelitian ini adalah diperlukan model CNN
Yolov7-tiny untuk menghasilkan akurasi pengenalan wajah yang tinggi. Metode
Yolo CNN juga mampu dapat mendeteksi wajah pasien dengan baik meskipun
dengan jarak dan intensitas cahaya yang berbeda.
Collections
- MT-Engineering [46]