Algoritma Rapidly Exploring Random Tree Star Dengan Integrasi Metode Sampling Goal Biassing, Gaussian, Dan Boundary

Algoritma perencanaan jalur adalah untuk menemukan lintasan yang membawa robot dari keadaan awal (start) ke keadaan tujuan (goal) sambil menghindari tabrakan dengan rintangan. Dalam perencanaan jalur, berbagai aplikasi telah digunakan seperti animasi, kedokteran, pesawat, dll. Tujuan penelitian ini adalah merancang metode sampling baru dengan cara melakukan integrasi metode sampling berbasis goal biassing, Gaussian dan Boundary lalu mengimplementasikannya pada masalah perencanaan jalur menggunakan algoritma Rapidly Exploring Random Tree* (RRT*). Metode sampling tersebut kami namakan metode sampling integrasi. Algoritma perencanaan jalur menggunakan metode sampling integrasi ini diimplementasikan pada bahasa pemograman Labview. Parameter algoritma pada Labview dapat dimodifikasi untuk mengamati performansi output dari algoritma RRT*. Pengujian dilakukan pada lingkungan obstacle clutter, SquareField BW, dan trap, dimana pengujian dilakukan 20 kali percobaan pada masing-masing obstacle. Pengujian dilakukan untuk membandingan jarak jalur serta waktu komputasi dari algoritma RRT* yang menggunakan metode sampling integrasi, terhadap algoritma RRT* yang menggunakan metode sampling Gaussian, dan Boundary. Berdasarkan hasil pengujian, diperoleh bahwa algoritma RRT* yang menggunakan metode sampling integrasi dapat menghasilkan jalur yang lebih pendek dibandingkan dengan algoritma RRT* yang menggunakan metode Gaussian maupun algoritma RRT* yang menggunakan sampling Boundary. Perbandingan waktu komputasi yang dihasilkan lebih cepat metode integrasi dibandingkan dengan Gaussian. Akan tetapi, pada perbandingan dengan Boundary menunjukkan bahwa Boundary memerlukan lebih sedikit waktu dibandingkan dengan integrasi. Maka dari itu dapat disimpulkan bahwa algortima Rapidly Exploring Random Tree* metode integrasi lebih unggul dibandingkan dengan metode Gaussian maupun metode Boundary.

Rancang Bangun Human Interface Pendeteksi Suhu Serta Masker Menggunakan Matlab

Salah satu upaya untuk mengurangi penularan Coronavirus Disease-19 (Covid-19) adalah dengan melakukan deteksi suhu tubuh dan penggunaan masker. Deteksi suhu tubuh serta masker dilakukan sebagai upaya pengindetifikasi pendeterita Covid-19. Pengecekan suhu tubuh dan masker secara manual dapat mengakibatkan petugas terpapar oleh orang lain ketika melakukan pengecekan suhu dan masker, Tujuan dari penelitian ini merancang human interface sehingga pada saat mendeteksi suhu serta masker dapat mendeteksi secara bersamaan secara otomatis dan real time. Pada pendeteksian suhu menggunakan sensor amg 8833, data hasil deteksi suhu pada Arduino IDE akan di serialkan ke program matlab untuk menampilkan hasil deteksi suhu yang terdapat di program matlab yang di rancang, pada pendeteksian masker menggunakan webcam untuk mengetahui objek menggunakan masker atau tidak. Hasil dari pengujian racangan human interface dari jarak deteksi 50cm dapat menampilkan suhu yang terdeteksi dengan nilai error suhu paling tinggi 1.1°C dan dapat mendeteksi wajah yang menghadap webcam untuk deteksi masker yang akan menampilkan hasilnya di human interface secara bersamaan secara real time dengan dilengkapi speaker yang akan aktif sebagai peringat ketika suhu melebihi 37°C maupun tidak menggunakan masker.

Analisa Performansi Metode Sampling Goal Biasing dan Metode Sampling Gaussian pada Algoritma Rapidly-exploring Random Tree*

Salah satu bidang penelitian mendasar dalam robotika adalah algoritma perencanaan gerak atau jalur. Pada penelitian ini dirancang dan disimulasikan algoritma quick -exploring random tree* (RRT*). Algoritma yang diusulkan adalah algoritma RRT* goal biasing dan algoritma RRT* g aussian sampling . Tujuan penelitian ini adalah melakukan analisa performansi perencanaan jalur algoritma RRT* goal biasing dan algoritma RRT* gaussian sampling . Pengujian dilakukan menggunakan beberapa kasus benchmark yang ada, yaitu lingkungan narrow , trap , dan clutter. Parameter yang dibandingkan adalah biaya, waktu komputasi, dan total node yang dibutuhkan pada pohon pencarian dari node awal sampai node tujuan. Menggunakan kasus benchmark lingkungan narrow, clutter, dan trap algoritma RRT* goal biasing memperoleh nilai rata-rata untuk biaya jarak, waktu, dan jumlah node yaitu; 8,3 (biaiya jarak di narrow ), 222,1 (jumlah node di clutter), dan 30.045 detik (waktu di trap) . Kemudian untuk kasus benchmark lingkungan sempit, clutter, dan trap yang menggunakan algoritma RRT* g aussianmemperoleh nilai rata-rata untuk biaya jarak, waktu, dan jumlah simpul yaitu; 8,1 (biaiya jarak di narrow ), 642,85 (jumlah node di clutter), dan 30,49 detik (waktu di trap) . Berdasarkan pengujian algoritma RRT* goal biasing memiliki keunggulan untuk waktu dan jumlah node yang dibutuhkan untuk mencapai suatu titik, tetapi biaya jarak yang dihasilkan kurang optimal.

Metode Improved Gaussian Sampling pada Algoritma Rapidly Exploring Random Tree*

Penelitian ini bertujuan merancang metode improved gaussian sampling dan mengimplementasikan pada algoritma Rapidly Exploring Random Tree* (RRT*). Perancangan yang dilakukan menggunakan bahasa pemograman Laboratory Virtual Instrumentation Engineering Workbench (LabVIEW). Improved gaussian sampling merupakan pengembangan dari metode gaussian sampling dengan menambahkan jumlah sampling. Jumlah sampling yang digunakan pada metode ini yaitu sejumlah 10 sampling. Untuk mengukur performansi dari metode sampling yang diusulkan, maka kami melakukan perbandingan performansi metode improved gaussian sampling, gaussian sampling dan random sampling. Berdasarkan hasil pengujian improved gaussian sampling didapatkan rata-rata nilai path cost dan waktu komputasi senilai: clutter sepanjang 8,89 dengan waktu 40,05; narrow sepanjang 12,58 dengan waktu 40,03 dan trap sepanjang 9,93 dengan waktu 40,04. Sedangkan hasil pengujian gaussian sampling didapatkan: clutter sepanjang 10 dengan waktu 40,09; narrow sepanjang 13,53 dengan waktu 40,03 dan trap sepanjang 10,95 dengan waktu 40,12. Hasil pengujian random sampling didapatkan: clutter sepanjang 10,86 dengan waktu 0,03; narrow sepanjang 14,82 dengan waktu 0,25 dan trap sepanjang 11,71 dengan waktu 0,21. Disimpulkan bahwa pada algoritma RRT* dengan menggunakan metode improved gaussian sampling menghasilkan performansi yang lebih baik dibandingkan algoritma RRT* yang menggunakan metode sampling lainnya. Hasil perbandingan pengukuran berdasarkan nilai sampling didapatkan rata-rata nilai path cost rata-rata 10,12 dengan jumlah sampling hanya 1 dan nilai path cost terpendek 8,9 dengan jumlah sampling 10. Berdasarkan pengukuran tersebut didapatkan semakin banyak jumlah sampling yang diberikan maka nilai path cost yang dihasilkan optimal.

Informed-RRT* Using Hybrid Sampling to Finding Fast Final Path Solution

Informed Rapidly-exploring Random Tree* (Informed-RRT*) merupakan hasil pengembangan dari algoritma Rapidly-exploring Random Tree (RRT) yang dapat menghasilkan solusi jalur yang bersifat asimptotik optimal tetapi waktu komputasi yang dibutuhkan menjadi lebih lama. Pada awalnya algoritma Informed-RRT* masih menggunakan metode random sampling yang mana metode ini akan mengambil sampel acak pada ruang pencarian. Pengambilan sampel acak inilah yang akan membuat waktu komputasi menjadi tidak optimal. Penelitian ini bertujuan untuk merancang algoritma Informed-RRT* menggunakan metode hybrid sampling. Metode hybrid sampling merupakan integrasi dari beberapa metode pengambilan sampel. Pada pengujian ini, performansi metode random sampling akan dibandingkan dengan perfomansi metode hybrid sampling dalam hal waktu komputasi. Pengujian metode hybrid sampling pada algoritma Informed-RRT* ini berbasis simulasi dan dilakukan pada lingkungan narrow, clutter, trap. Hasil yang didapatkan dari pengujian ini adalah penggunaan metode hybrid sampling pada algoritma Informed-RRT* mampu menghasilkan performansi waktu rata- rata komputasi yang lebih cepat 26,4 detik bila dibandingkan dengan metode random sampling pada lingkungan clutter. Pada lingkungan narrow metode hybrid sampling menghasilkan waktu komputasi 24,52 detik lebih cepat bila dibandingkan dengan metode random sampling. Pada lingkungan trap metode hybrid sampling menghasilkan waktu komputasi 5,25 detik lebih cepat dibandingkan dengan metode random sampling. Dari data hasil pengujian, metode hybrid sampling ini dapat menjadi metode pangambilan sampel alternatif untuk digunakan pada algoritma Informed-RRT*

Sistem Otomatis Pembuatan Nutrisi Ideal untuk Tanaman Pakcoy Menggunakan kendali Logika Fuzzy

Pada dasarnya, khususnya di Indonesia rata-rata perkebunan hidroponik itu masih menggunakan sistem manual, termasuk dalam pengaturan nutrisi petani masih menggunakan sistem manual dalam pengaturannya. Hal tersebut memakan banyak waktu dalam melakukan pemberian nutrisi secara manual tersebut, petani harus telebih dahulu memberi air untuk setiap tandon nutrisi, lalu setelahnya petani harus memberi pupuk atau nutrisi A dan B untuk dicampur dengan air lalu diaduk. Tujuan dari penelitian ini adalah merancang dan mengimplementasikan sistem pengecekan dan pengaturan komposisi nutrisi dengan metoda logika fuzzy untuk mendapatkan dan menjaga kondisi ideal nutrisi untuk tanaman hidroponik jenis pakcoy. Dengan menggunakan metode fuzzy, sifat ketidakpastian yang sering muncul akan teratasi. Dengan membuat 19 himpunan keanggotaan input dan juga 19 himpunan keanggotaan output yang sudah dibuat dengan cara mengambil data untuk nilai konsentrasi nutrisi mencapai set point yaitu 1050-1400 ppm, sistem akan mampu membuat dan juga mempertahankan nilai konsentrasi nutrisi pada range ideal. Dari pengujian sistem yang dilakukan didapatkan kesimpulan berupa, penambahan nutrisi A dan B terbanyak yaitu 5100 mL dengan waktu 17 menit dalam keadaan wadah nutrisi maksimal, dan penambahan nutrisi A dan B paling sedikit adalah 300 mL dengan waktu 1 menit dalam keadaan wadah nutrisi maksimal. Kata kunci : fuzzy, nilai konsentrasi, nutrisi, pakcoy, PPM

Pengaplikasian LabVIEW Sebagai Pengendali Simulasi Tabung Hand Sanitizer

Kebutuhan masyarakat akan pentingnya hand sanitizer menjadi salah satu alasan semakin banyaknya jenis dan model hand sanitizer di pasaran. Tetapi, di beberapa tempat seperti sekolah, swalayan, dan perkantoran belum terlihat tabung hand sanitizer yang bisa memberikan informasi kepada admin apabila tabung dalam keadaan kosong. Untuk itu, penulis membuat rancangan dalam bentuk simulasi sistem monitoring tabung hand sanitizer agar mampu memberikan informasi atau notifikasi kepada admin atau pengelola tentang kondisi tabung tersebut. Penelitian ini menggunakan perangkat lunak LabVIEW dengan tampilan antar mukanya front panel, untuk mengintruksikannya melalui block diagram, dengan menggunakan metode penelitiannya yaitu simulasi. Pengujian ini dilakukan dengan menggunakan sensor infrared sebagai pendeteksi objek dalam simulasi untuk menghasilkan cairan yang keluar dari tabung pada tampilan front panel. Dari hasil penelitian, penulis menyimpulkan bahwa simulasi sistem monitoring tabung hand sanitizer berbasis LabVIEW memberikan informasi bahwa ketika sensor mendeteksi objek pada jarak 1-5 cm maka cairan hand sanitizer yang keluar dari tabung rata-rata 0,125 mililiter dengan jeda waktu dari cairan pertama dan cairan kedua keluar selama 2 detik dan pada saat yang bersamaan memberikan informasi atau notifikasi kepada admin. Dari hasil penelitian ini akan berdampak pada keefektifan pengguna atau admin dalam mengontrol setiap tabung hand sanitizer di seluruh lokasi yang di tentukan.

Sistem Penghitung Skor Otomatis Pada Olahraga Menembak Menggunakan Metode Analisis Blob Berbasis Matlab

Abstrak – Olahraga menembak merupakan olahraga ketangkasan karena olahraga ini memerlukan tingkat fokus dan ketelitian yang tinggi. Saat ini penghitungan skor pada olahraga menembak masih menggunakan cara manual sehingga membutuhkan tenaga petugas dan waktu yang lebih lama dalam penghitungan skor. Sistem Penghitung Skor Otomatis (PSO) pada olahraga menembak bertujuan untuk mengklasifikasi citra sasaran tembak dan citra jejak peluru hingga mengkalkulasikan jumlah skor yang di dapat. Sistem pengolahan citra sendiri menggunakan bahasa pemrograman Matlab untuk mendeteksi citra pada sasaran tembak. Prinsip utama metode analisis blob adalah mendeteksi kumpulan pixel dengan warna yang sama dibandingkan dengan latar belakangnya agar dapat mendeteksi low-level dalam suatu objek dua dimensi. Dari tahap pengujian diperoleh hasil persentase keberhasilan sistem dalam menghitung skor sebesar 92%. Dibandingkan dengan cara penghitungan manual/visual yang masih dilakukan oleh petugas, Sistem PSO lebih efektif dalam melakukan perhitungan skor pada olahraga menembak.

Analisis Perbandingan Algoritma Breadth First Search (BFS) dan Algoritma A*

Pada path planning terdapat beberapa metode yang dapat digunakan. Metode yang dapat digunakan untuk path planning yaitu algoritma Breadth First Search (BFS) dan algoritma A*. Metode yang digunakan tergantung dari keadaan lingkungan. Melakukan path planning pada tiap lingkungan dengan metode berbeda sehingga dapat mengetahui bagaimana peformansinya tiap metode tersebut. Sehingga tujuan penelitian ini adalah untuk membandingkan antara algoritma BFS dengan algoritma A* dalam melakukan path planning. Proses perbandingan dilakukan pada lima lingkungan pengujian. Lingkungan pengujian yang digunakan yaitu tanpa obstacle, obstacle trap, obstacle sederhana, obstacle maze dan obstacle narrow. Perbandingan algoritma BFS dan algoritma A* berdasarkan waktu eksekusi dan jumlah node yang dibutuhkan untuk melakukan path planning. Hasil penelitian menunjukkan bahwa pencarian jalur dari titik start ke titik goal dapat diselesaikan dengan algoritma BFS dan A*. Pada algoritma BFS maupun A* menghasilkan biaya jalur yang sama. Perbedaan terjadi pada node-node yang dibutuhkan algoritma BFS dan A* untuk menghasilkan jalur dari titik start hingga titik goal. Algoritma BFS membutuhkan node lebih banyak dibandingkan dengan A* untuk mencapai titik goal. Perbedaan jumlah node tersebut membuat waktu eksekusi menjadi berbeda. Waktu eksekusi pada algoritma BFS membutuhkan waktu lebih banyak dibandingkan dengan A*. Berdasarkan pengujian yang telah dilakukan maka algoritma A* lebih cepat dalam melakukan path planning. Tetapi pada lingkungan pengujian maze terjadi perbedaan waktu yang sedikit. Pada BFS memerlukan waktu tercepat 4,09 detik serta pada A* memerlukan waktu tercepat 3,88 detik. Serta pada lingkungan maze memiliki perbedaan jumlah node cukup sedikit yaitu 26 node. Hal tersebut membuktikan bahwa A* tidak selalu unggul jauh dengan BFS.

Rancang Bangun Tempat Sampah Dengan Sistem Memilah Jenis Sampah Basah, Kering dan Logam Menggunakan Atmega328P

Sampah tentunya menjadi masalah pada kehidupan setiap hari, dari jenis sampah yang berbeda, volume sampah yang sangat bervariasi hingga permasalahan sampah masih sering dibarkan menumpuk pada tempat sampah sehingga dapat menimbulkan penyakit tertentu ketika sampah dibiarkan menumpuk. Tujuan dari penelitian ini adalah agar jenis sampah yang dibuang tidak menyatu dalam satu tempat sampah lagi dan sampah tidak lagi dibiarkan menumpuk ketika tempat sampah sudah penuh. Penelitian kali ini akan menggunakan ATmega328P sebagai pengatur dalam keseluruhan proses kerja alat, magnet elektromagnetik sementara untuk memilah sampah logam sedangkan sensor touch digunakan sebagai pemilah sampah basah atau kering. Magnet elektromagnetik sementara yang digunakan mampu mengangkat beban sampah logam seberat maksimal 1,9kg, sedangkan sensor touch yang digunakan pada penelitian ini dapat memilah sampah basah atau sampah kering karena sensor touch memiliki output analog. Output analog dari sampah basah berada pada range 2.5 – 209 dan untuk output analog sampah kering berada pada range 210 – 224. Conveyor pada penelitian kali ini berfungsi sebagai tempat menjatuhkan sampah dan menghantarkan sampah pada tempat sampah yang berbeda. Nilai keberhasilan dari keseluruhan sistem yang dibuat pada penelitian kali ini adalah sebesar 79%.