No abstract

A154Abstrak-Pencemaran udara adalah suatu kondisi dimana kualitas udara menjadi rusak dan terkontaminasi oleh zat-zat, baik yang tidak berbahaya maupun berbahaya bagi makhlup hidup. Seiring dengan perkembangan dan pembangunan industri di Indonesia, akan berdampak pada meningkatnya tingkat pencemaran udara. Sistem monitoring emisi gas polutan industri secara umum dilakukan dengan cara manual menggunakan sensor gas pada titik-titik tertentu. Hal ini memakan waktu dan biaya cukup banyak. Quadcopter merupakan salah satu jenis Unmanned Aerial Vehicle (UAV) yang mampu bergerak secara otomatis sesuai dengan sistem tracking waypoint. Sistem tracking waypoint merupakan sistem navigasi berdasarkan posisi Global Positioning System (GPS) dan kompas, sehingga quadcopter dapat berjalan secara otomatis. Implementasi sensor gas semikonduktor dapat menunjang quadcopter untuk mengukur kadar gas di udara, sehingga dapat diaplikasikan sebagai alat monitoring secara otomatis. Data posisi GPS quadcopter dapat diakses secara langsung pada google maps di software mission planner. Kadar gas polutan disimpan pada web server raspberry pi 2 dan mampu diakses secara online. Hasil pemetaan kadar gas ditampilkan dalam 3D analyzer google earth.

No abstract

Abstrak-Saat ini, pesawat tanpa awak adalah sarana yang potensial untuk tujuan eksplorasi. Salah satu jenis pesawat tanpa awak adaah balon udara. Balon udara sangat cocok digunakan untuk eksporasi pada kecepatan dan ketinggian yang rendah. Hal yang penting dalam pengembangan balon udara sebagai sarana eksplorasi adalah sistem navigasi. Sistem navigasi dapat mengarahkan balon udara ke tujuan yang ditentukan secara otomatis. Parameter yang diperlukan dalam sistem navigasi adalah informasi posisi dan arah objek yang akan dikontrol. Terdapat banyak metode sistem navigasi. Salah satunya adalah metode sistem navigasi dengan menggunakan GNSS (Global Navigation Satellite System) dan kompas. Metode ini menggunakan sensor GNSS mengetahui posisi, sedangkan kompas digunakan untuk mengetahui arah. Di dalam sistem ini digunakan filter kuarternion berbasis AHRS (Attitude and Heading Reference System) untuk mengkompensasi pembacaan data kompas tehadap kemiringan sensor. Dari data posisi dan arah yang didapatkan akan diolah menjadi informasi jarak dan derajat arah balon terhadap waypoint. Kemudian, informasi jarak dan derajat arah tersebut diolah untuk menggerakkan motor pada balon dan megarahkan balon pada waypoint. Sistem ini menggunakan sensor GPS berbasis GNSS (Global Navigation Satellite System) untuk mengetahui posisi, sensor kompas berbasis IMU (Inertial Measurement Unit) untuk mengetahui arah, dan kontrol logika fuzzy sebagai pengatur kecepatan motor kemudi untuk pergerakan balon. Pada metode ini, akurasi dari sensor GNSS berkisar antara 9,5 sampai 20 meter. Galat maksimum dari kompas dengan kompensasi kemiringan adalah 7%. Terjadi osilasi pada arah Utara dengan simpangan berkisar antara 50-90 derajat dan arah Barat dengan simpangan sebesar 20-50 derajat.Kata Kunci-Navigasi, Balon udara, Waypoint. P Gambar 1. Komponen sensor IMU

No abstract

The Convolutional Neural Network (CNN) is an object classification method that has been widely used in recent research. In this paper, we propose CNN for use in the self-localization of wheeled soccer robots on a soccer field. If the soccer field is divided into equally sized quadrants with imaginary vertical and horizontal lines intersecting in the middle of the field, then the soccer field has an identical shape for each quadrant. Every quadrant is a reflection of the other quadrants. Superficially similar images appearing in different positions may result in positioning mistakes. This paper proposes a solution to this problem by using a visual modelling of the gyrocompass line mark and omni-vision image for the CNN-based self-localization system. A gyrocompass is used to obtain the angle of the robot on the soccer field. A 360° omni-vision camera is used to capture images that cover all parts of the soccer field wherever the robot is located. The angle of the robot is added to the omni-vision image using the visual modelling method. The implementation of self-localization without visual modelling gives accuracy rates of 0.3262, and this result is increased to 0.6827 with the proposed methods. The experiment was carried out in the robotics laboratory of the Institut Teknologi Sepuluh Nopember (ITS) with the ITS Robot with Intelligent System (IRIS) robot.

No abstract

No abstract