<?xml version="1.0" encoding="UTF-8" ?>
<modsCollection xmlns:xlink="http://www.w3.org/1999/xlink" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xmlns="http://www.loc.gov/mods/v3" xmlns:slims="http://slims.web.id" xsi:schemaLocation="http://www.loc.gov/mods/v3 http://www.loc.gov/standards/mods/v3/mods-3-3.xsd">
<mods version="3.3" id="131699">
 <titleInfo>
  <title>PENGEMBANGAN AUTONOMOUS MOBILE ROBOT PENGIRIM BARANG BERBASIS DEEP LEARNING</title>
 </titleInfo>
 <name type="Personal Name" authority="">
  <namePart>Udink Aulia</namePart>
  <role>
   <roleTerm type="text">Primary Author</roleTerm>
  </role>
 </name>
 <typeOfResource manuscript="no" collection="yes">mixed material</typeOfResource>
 <genre authority="marcgt">bibliography</genre>
 <originInfo>
  <place>
   <placeTerm type="text">Banda Aceh</placeTerm>
   <publisher>Fakultas Pasca Sarjana</publisher>
   <dateIssued>2024</dateIssued>
  </place>
 </originInfo>
 <language>
  <languageTerm type="code"></languageTerm>
  <languageTerm type="text"></languageTerm>
 </language>
 <physicalDescription>
  <form authority="gmd">Dissertation</form>
  <extent></extent>
 </physicalDescription>
 <note>Berkembangnya pemasaran melalui internet memunculkan transaksi bisnis sebelumnya secara langsung diantar oleh kurir menjadi pengiriman menggunakan autonomous mobile robot (AMR) yang mampu mengantarkan muatan dari toko hingga ke pemesan. Mobile Robot ini dapat bergerak secara autonomous dalam perjalanannya dipandu oleh sekumpulan sensor yang dapat mengenali objek disekelilingnya, lintasan dan lokasi pengiriman. Permasalahan utama pada penelitian ini adalah desain dataset citra objek bergerak dan statis original untuk transfer learning model deep learning Single-Shot MultiBox Detector (SSD), model deteksi deep learning untuk deteksi objek becak barang, kemampuan model yang sudah ditraining terhadap perubahan kondisi cahaya, navigasi lintasan mengunakan model Deeplabv3+ dan pengenalan lokasi pengiriman menggunakan Local Feature Transformer (LoFTR). Metode penelitian yang digunakan adalah melakukan proses training model deep learning SSDMobilenetv2FPNLite dan pengujian terhadap pengaruh cahaya, pengujian pengaruh skala, translasi dan obstacle pada LoFTR, dan menentukan Vanishing Point (VP) menggunakan Deeplabv3+ dan metode hough. Hasil yang diperoleh adalah sebagai berikut: a) Dataset citra yang didesain telah dapat digunakan untuk proses training model deteksi objek dan pengujian kinerja navigasi lintasan dan pengenalan lokasi pengiriman; b) model deteksi deep learning telah mampu untuk mendeteksi objek baru yaitu becak barang; c) pengujian terhadap model deteksi deep learning mampu menghasilkan akurasi klasifikasi yang tinggi dalam kondisi pencahayaan lingkungan yang berbeda; d) Hasil simulasi menunjukkan algoritma penentuan VP telah berhasil menentukan batas jalan; e) Metode  pengenalan lokasi telah dapat menentukan lokasi pengiriman berdasarkan jumlah inlier. Berdasarkan hasil penelitian sistem navigasi AMR dapat diimplementasikan di kota Banda Aceh, dengan hasil yang cukup baik dan dapat dikembangkan lebih lanjut penerapannya pada mobile robot yang bergerak dipabrik, rumah sakit maupun di jalan raya.</note>
 <note type="statement of responsibility"></note>
 <classification>0</classification>
 <identifier type="isbn"></identifier>
 <location>
  <physicalLocation>ELECTRONIC THESES AND DISSERTATION Universitas Syiah Kuala</physicalLocation>
  <shelfLocator></shelfLocator>
 </location>
 <slims:digitals/>
</mods>
<recordInfo>
 <recordIdentifier>131699</recordIdentifier>
 <recordCreationDate encoding="w3cdtf">2024-09-17 18:25:31</recordCreationDate>
 <recordChangeDate encoding="w3cdtf">2024-09-18 09:20:28</recordChangeDate>
 <recordOrigin>machine generated</recordOrigin>
</recordInfo>
</modsCollection>