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.