Rancang Bangun Robot Semi - Autonomus untuk Tracking Bola pada Robot Abu Universitas Jember Berbasis Deep Learning

Abstract

Perkembangan teknologi robotika berkembang sangat pesat termasuk di Indonesia, pada setiap tahunnya diselengarakan kompetisi robotika yang biasa disebut dengan KRI (Kontes Robot Indonesia). Salah satu cabang yang di kompetisikan adalah KRAI (Kontes Robot Abu Indonesia) yang mengacu pada kompetisi internasional ABUROBOCON, untuk tahun 2022 kompetisi tersebut mengusung tema “Lagori” yang mengharuskan setiap tim memiliki 2 robot yang memiliki tugas berbeda – beda. Pada penelitian ini menggunakan robot ke 1 yang bertugas untuk menjatuhkan objek bola yang di bawa oleh lawan, untuk meningkatkan efisiensi kerja robot penelitian ini mengembangkan sistem tracking objek yang bertujuan menjadikan robot berjalan secara semi – autonomus berbasis deep learning. Robot abu semi – autonomus dirancang secara manual dengan 1 buah motor DC yang berfungsi untuk pergerakan robot ditambah dengan mekanik pendukung lainnya serta ditambahkan kamera dibagian atas agar robot dapat mengenali objek. Pada sistem elektrikal robot terdapat beberapa komponen yang digunakan antara lain Teensy 4.1, driver motor, motor DC dan Jetson Nano. Untuk pengendalian robot digunakan sebuah webcam yang akan mengirim data ke Jetson Nano kemudian data data tersebut diolah untuk memberikan intruksi yang sesuai ke Teensy 4.1. Robot abu semi – autonomus juga dilengkapi dengan sistem pendeteksian objek bola dengan metode Convolutional Neural Network algoritma yolov5 yang terdiri dari 213 layer. Sebelum implementasi pendeteksian dibutuhkan model yang didapatkan setelah proses training yang membutuhkan 2.500 data gambar training dan 353 data testing dengan hyperparameter 100 epoch dan 24 batch dan proses tersebut menghasilkan model dengan nilai mAP 0.850.

Berdasarkan pengujian untuk mengetahui kehandalan model, sistem pendeteksian mampu mencapai nilai akurasi deteksi 78.3 % - 100 % pada pengujian secara offline dan secara real time dengan perbedaan jarak objek serta intensitas cahaya saat pendeteksian objek. Kemudian dalam sistem tracking objek disertai pergerakan robot yang telah dilakukan pengujian sebanyak 10 kali dengan perbedaan jangkauan sudut objek dihasilkan waktu rata – rata tempuh 2.27 detik untuk mencapai titik tengah objek. Kesimpulan yang didapatkan dari penelitian ini adalah diperlukan model CNN yolov5s untuk menghasilkan akurasi pengenalan objek bola yang tinggi. Metode yolo CNN juga mampu dapat mendeteksi objek bola dengan baik meskipun dengan jarak dan intensitas cahaya yang berbeda.