Implementasi Fuzzy Logic Pada Robot Line Follower

Wajiansyah, Agusma; Supriadi, Supriadi; Nur, Syarifah; P, Arief Bramanto Wicaksono

doi:10.25126/jtiik.201854747

Cited by 9 publications

(11 citation statements)

References 0 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Mobile robot merupakan jenis robot yang memiliki kemampuan berpindah dari satu tempat ke tempat yang lain. Robot jenis ini dapat digunakan untuk memindahkan barang, untuk penunjuk jalan (robot guide) (Dayoub, Cielniak, & Duckett, 2011), penjaga keamanan (robot security) (Theodoridis & Hu, 2012), robot line folower (Wajiansyah, Supriadi, Nur, & Bramanto W.P., 2018), juga dapat diaplikasikan sebagai robot penyelamat korban bencana (Kuswadi, O, Tamara, & S, 2018).…”

Section: Pendahuluanunclassified

“…Beberapa metode dikenalkan dalam melakukan lokalisasi, diantaranya menggunakan jaringan IEEE 802.15.4a dan laser range finder yang dilakukan oleh Röhrig (Röhrig, Hess, Kirsch, & Künemund, 2010). Tak cukup menggunakan satu kamera, Yang untuk melakukan lokalisasi robotnya menggunakan dua kamera yang dipasang di depan dan samping robot (Yang, Scherer, Yi, & Zell, 2017). Namun kamera yang digunakan adalah kamera reguler, meskipun menggunakan dua kamera namun jangkauan pandangan hanya di bagian depan dan samping kiri atau kanan saja.…”

Section: Pendahuluanunclassified

See 1 more Smart Citation

Lokalisasi Mobile Robot berdasarkan Citra Kamera OMNI menggunakan Fitur Surf

Rasmana¹,

Harianto²,

Susanto³

et al. 2020

JTIIK

View full text Add to dashboard Cite

Deteksi lokasi diri atau lokalisasi diri adalah salah satu kemampuan yang harus dimiliki oleh mobile robot. Kemampuan lokalisasi diri digunakan untuk menentukan posisi robot di suatu daerah dan sebagai referensi untuk menentukan arah perjalanan selanjutnya. Dalam penelitian ini, lokalisasi robot didasarkan pada data citra yang ditangkap oleh kamera omnidirectional tipe catadioptric. Jumlah fitur terdekat antara citra 360o yang ditangkap oleh kamera Omni dan citra referensi menjadi dasar untuk menentukan prediksi lokasi. Ekstraksi fitur gambar menggunakan metode Speeded-Up Robust Features (SURF). Kontribusi pertama dari penelitian ini adalah optimasi akurasi deteksi dengan memilih nilai Hessian Threshold dan jarak maksimum fitur yang tepat. Kontribusi kedua optimasi waktu deteksi menggunakan metode yang diusulkan. Metode ini hanya menggunakan fitur 3 gambar referensi berdasarkan hasil deteksi sebelumnya. Optimasi waktu deteksi, untuk lintasan dengan 28 gambar referensi, dapat mempersingkat waktu deteksi sebesar 8,72 kali. Pengujian metode yang diusulkan dilakukan menggunakan omnidirectional mobile robot yang berjalan di suatu daerah. Pengujian dilakukan dengan menggunakan metode recall, presisi, akurasi, F-measure, G-measure, dan waktu deteksi. Pengujian deteksi lokasi juga dilakukan berdasarkan metode SIFT untuk dibandingkan dengan metode yang diusulkan. Berdasarkan pengujian, kinerja metode yang diusulkan lebih baik daripada SIFT untuk pengukuran dengan recall 89,67%, akurasi 99,59%, F-measure 93,58%, G-measure 93,87%, dan waktu deteksi 0,365 detik. Metode SIFT hanya lebih baik pada presisi 98,74%. AbstractSelf-location detection or self-localization is one of the capabilities that must be possessed by the mobile robot. The self-localization ability is used to determine the robot position in an area and as a reference to determine the next trip direction. In this research, robot localization was by vision-data based, which was captured by catadioptric-types omnidirectional cameras. The number of closest features between the 360o image captured by the Omni camera and the reference image was the basis for determining location predictions. Image feature extraction uses the Speeded-Up Robust Features (SURF) method. The first contribution of this research is the optimization of detection accuracy by selecting the Hessian Threshold value and the maximum distance of the right features. The second contribution is the optimization of detection time using the proposed method. This method uses only the features of 3 reference images based on the previous detection results. Optimization of detection time, for trajectories with 28 reference images, can shorten the detection time by 8.72 times. Testing the proposed method was done using an omnidirectional mobile robot that walks in an area. Tests carried out using the method of recall, precision, accuracy, F-measure, G-measure, and detection time. Location detection testing was also done based on the SIFT method to be compared with the proposed method. Based on testing, the proposed method performance is better than SIFT for measurements with recall 89.67%, accuracy 99.59%, F-measure 93.58%, G-measure 93.87%, and detection time 0.365 seconds. The SIFT method is only better at precision 98.74%.

show abstract

Section: Pendahuluanunclassified

Lokalisasi Mobile Robot berdasarkan Citra Kamera OMNI menggunakan Fitur Surf

Rasmana¹,

Harianto²,

Susanto³

et al. 2020

JTIIK

View full text Add to dashboard Cite

show abstract

“…Dari hasil variable keanggotan fuzzy diatas didapatkan 35 aturan yang hasilnya tersaji pada tabel 1 berikut: Wajiansyah, Supriadi, & Nur (2018). Yang hasilnya bahwa logika fuzzy yang digunakan dapat mengendalikan sistem kendali cerdas pada robot line follower.…”

Section: Pengujianunclassified

“…Sehingga dari penelitian tersebut diperoleh Dairoh et al,Implementasi Kecerdasan Buatan Dalam...... 15 hasil luaran dari fuzzy logic-nya berupa bilangan crips tunggal yang didapatkan dengan menggunakan metode COG yakni metode center of gravity dan selanjutnya nilai tersebut digunakan sebagai nilai deviasi yang digunakan untuk mengatur nilai PWM di motor penggerak di roda kiri maupun roda penggerak kanan pada robot line follower. Pada penelitian Wajiansyah, Supriadi, & Nur (2018) objek yang digunakannya berupa robot line follower, sedangkan pada penelitian ini digunakan objeknya adalah mobile robot. Mobile robot tersebut merupakan sebuah robot yang digerakan sesuai dengan perintah yang telah dikendalikan user dengan masukan yang digunakan berupa smartphone yang telah dihubungkan dalam komunikasi serial.…”

Section: Pengujianunclassified

See 1 more Smart Citation

Implementasi Fuzzy Logic dalam Pembuatan Kontrol Navigasi Mobile Robot

Dairoh

Khambali

Mustofa

2019

JFF

View full text Add to dashboard Cite

Artificial Intelligence is defined as intelligence exhibited by an artificial entity. Intelligence was created and put into a machine that can do the job as do humans. Some kinds of fields that use artificial intelligence include fuzzy logic, expert systems, computer games, neural networks and robotics. The purpose of research is Applying the theory of fuzzy logic in the manufacture of robot control and create teaching materials for the subjects of physics, especially on the concept of a microcontroller or other allied subjects of the research conducted. In this study apply fuzzy logic on the movement of wheeled robot control where in the controlling controlled via a smartphone which is then processed by a microcontroller Arduino that has grown the program by applying the method of fuzzy logic rule. Then by the microcontroller is used as a command to drive the DC motor as a navigation system that course in accordance with the rules created. Every step of the control system provides a signal in the form of a large steering angle (θ) which guides the robot to the target of a starting position. The results showed that the application of a system of fuzzy logic can be implemented in a navigation system for a robot control and the results of testing the robot's movement, then obtained some data points specified coordinates with the coordinates of the control robot acquired a 96% accuracy rate.

show abstract