Electronic Theses and Dissertation

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.

The development of marketing via the internet has led to business transactions previously being delivered directly by couriers into deliveries using autonomous mobile robots (AMR) which are capable of delivering loads from the shop to the customer. This Mobile Robot can move autonomously on its journey guided by a set of sensors that can recognize objects around it, trajectory and delivery location. The main problem in this research is the design of original moving and static object image datasets for transfer learning of the Single-Shot MultiBox Detector (SSD) deep learning model, deep learning detection models for object detection of goods rickshaws, the ability of models that have been trained to change light conditions, navigation trajectory using the Deeplabv3+ model and delivery location recognition using Local Feature Transformer (LoFTR). The research method used is carrying out the training process for the SSDMobilenetv2FPNLite deep learning model and testing the influence of light, testing the influence of scale, translation and obstacle on LoFTR, and determining the Vanishing Point (VP) using Deeplabv3+ and the Hough method. The results obtained are as follows: a) The designed image dataset can be used for the object detection model training process and performance testing of trajectory navigation and delivery location recognition; b) the deep learning detection model has been able to detect new objects, namely goods rickshaws; c) testing of the deep learning detection model is able to produce high classification accuracy in different environmental lighting conditions; d) Simulation results show that the VP determination algorithm has succeeded in determining road boundaries; e) The location recognition method can determine the delivery location based on the number of inliers. Based on the research results, the AMR navigation system can be implemented in the city of Banda Aceh, with quite good results and its application can be further developed for mobile robots that move in factories, hospitals and on highways.