Metode Improved Gaussian Sampling pada Algoritma Rapidly Exploring Random Tree*

Abstract

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.

Asymptoticcaly-Optimal Path Planning Using the Improved Probabilistic Road Map Algorithm

“…Pakaya [23] mengembangkan metode improved gaussian sampling yaitu penerapan distribusi gaussian pada sampling RRT. Ferida dan Rahajoeningroem [24] mengembangkan metode sampling menuju lokasi goal pada algoritma RRT. Sopa dan Hartono [25] mengembangkan strategi sampling RRT dengan menggabungkan metode sampling goal biasing, gaussian, dan boundary.…”

“…Algoritma lain yang bersifat optimal asimptotik adalah algoritma informed probabilistic road map (PRM) yang diusulkan oleh penulis [24]. Aria melaporkan bahwa dengan mengkombinasikan informed searching dengan algoritma PRM, maka performansi algoritma yang diusulkan dapat meningkat hingga 25%.…”

LabVIEW Libraries untuk Algoritma Perencanaan Jalur Robotik

“…Sopa dkk. [28] serta Pakaya dan Pohan [29], dalam makalah mereka, telah mengembangkan metode pengambilan sampel dari algoritma RRT* menggunakan library ini.…”