MOTTO
“It's Okay to Not Be Okay”
“Bukan kesulitan yang membuat kita takut, tapi ketakutan yang membuat kita sulit. Karena itu jangan pernah mencoba untuk menyerah dan jangan pernah menyerah untuk mencoba dalam amanah, keikhlasan dan kejujuran. Maka jangan
katakan pada Allah aku punya masalah, tetapi katakan pada masalah aku punya Allah Yang Maha Segalanya.”
(Ali bin Abi Thalib ra)
PERSEMBAHAN
Dengan rendah hati, saya ingin menyampaikan persembahan ini sebagai ungkapan terima kasih dan penghargaan kepada berbagai pihak yang telah mendukung dan membantu saya selama ini.
1. Kepada Allah SWT, yang telah memberikan saya kesempatan, kekuatan, dan petunjuk selama saya hidup di dunia ini.
2. Kepada Papa Sahruddin dan Mama Siti Laela, atas segala doa, dukungan moral, dan cinta yang selalu diberikan serta adik-adik saya, Devia Syahnaz Navisa dan Ridho Ilhamsyah yang sudah mau membantu dan menemani saya.
3. Kepada diri saya sendiri yang telah berjuang hingga sampai di titik ini.
4. Kepada Bapak Muhammad Pajar Kharisma Putra, S.Kom., M.Cs. selaku pembimbing skripsi dan tim Krakatau FC, atas bimbingan, arahan, dan kesabaran dalam membimbing saya selama penulisan skripsi ini.
5. Kepada rekan-rekan UKM Robotik dan tim Krakatau FC, atas dukungan, diskusi, dan bantuan yang diberikan selama empat tahun ini.
6. Kepada semua yang telah berkontribusi, baik secara langsung maupun tidak langsung, dalam menyelesaikan penulisan skripsi ini.
KATA PENGANTAR
Dengan penuh rasa syukur, penulis mengucapkan terima kasih kepada Allah SWT, karena berkat dan rahmat-Nya, penulis berhasil menyelesaikan skripsi ini.
Penulisan skripsi ini merupakan salah satu syarat untuk meraih gelar sarjana di Program Studi S1 Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Teknokrat Indonesia. Penulis menyadari bahwa tanpa bantuan dan panduan dari berbagai pihak, mulai dari masa perkuliahan hingga penyusunan skripsi ini, penulis akan menghadapi banyak kesulitan dalam menyelesaikan laporan ini. Oleh karena itu, penulis ingin menyampaikan rasa terima kasih kepada:
1. Bapak Dr. H. M. Nasrullah Yusuf, S.E., M.B.A., selaku Rektor Universitas Teknokrat Indonesia.
2. Bapak H. Mahathir Muhammad, S.E., M.M., selaku Dekan Fakultas Teknik dan Ilmu Komputer, Universitas Teknokrat Indonesia.
3. Ibu Dyah Ayu Megawaty, S.Kom., M.Kom., selaku Ketua Program Studi S1 Informatika, Fakultas Teknik dan Ilmu Komputer, Universitas Teknokrat Indonesia.
4. Bapak Muhammad Pajar Kharisma Putra, S.Kom., M.Cs., selaku Dosen Pembimbing yang telah meluangkan waktu untuk membimbing penulis dalam menyelesaikan skripsi ini.
5. Bapak Jaka Persada Sembiring, S.Kom., M.Cs., selaku Dosen Penguji yang telah memberikan saran yang membangun untuk skripsi ini.
6. Keluarga tercinta yang selalu memberikan doa, dukungan, dan motivasi kepada penulis selama menempuh pendidikan.
7. Rekan-rekan UKM Robotik khususnya Tim Krakatau FC yang telah membantu dan menemani penulis selama proses penelitian.
Sebagai penutup, penulis berharap agar Allah SWT memberikan balasan yang berlimpah kepada semua pihak yang telah memberikan bantuan, serta semoga skripsi ini memberikan manfaat bagi pengembangan ilmu.
Bandar Lampung, 13 November 2023 Penulis
DAFTAR ISI
HALAMAN JUDUL ... i
HALAMAN PENGESAHAN ... ii
LEMBAR PERNYATAAN KEASLIAN PENELITIAN ... iii
LEMBAR PERNYATAAN PUBLIKASI ... iv
MOTTO ... v
PERSEMBAHAN ... vi
KATA PENGANTAR ... vii
DAFTAR ISI ... viii
DAFTAR TABEL ... xi
DAFTAR GAMBAR ... xii
ABSTRAK ... xiv
BAB I PENDAHULUAN ... 15
1.1 Latar Belakang ... 15
1.2 Rumusan Masalah ... 17
1.3 Batasan Masalah ... 17
1.4 Tujuan Penelitian ... 17
1.5 Manfaat Penelitian ... 17
1.6 Sistematika Penulisan ... 18
BAB II LANDASAN TEORI ... 20
2.1 Tinjauan Pustaka ... 20
Tinjauan Pustaka 1... 21
Tinjauan Pustaka 2... 21
Tinjauan Pustaka 3... 22
Tinjauan Pustaka 4... 22
Tinjauan Pustaka 5... 23
2.2 Simultaneous Localization and Mapping (SLAM) ... 23
2.3 Kamera Pelacak Intel RealSense T265 ... 25
2.4 Robot Sepak Bola Humanoid Krakatau FC ... 25
2.5 Sistem Koordinat Kartesian ... 26
2.6 Transformasi Geometri ... 28
Rotasi ... 28
Translasi... 28
BAB III METODE PENELITIAN... 30
3.1 Objek dan Tempat Penelitian ... 30
3.2 Metode Pengumpulan Data ... 30
3.3 Tahapan Penelitian ... 30
3.4 Alat dan Bahan Penelitian ... 32
Perangkat Keras (Hardware) ... 33
Perangkat Lunak (Software) ... 34
3.5 Penelitian ... 35
3.5.1Rancangan Arsitektur Kamera ... 35
3.5.2Rancangan Sistem... 36
3.6 Skema Rancangan Pengujian ... 37
3.7 Jadwal Penelitian ... 38
BAB IV HASIL DAN PEMBAHASAN ... 39
4.1 Implementasi ... 39
4.1.1Realisasi Peletakan Kamera Intel RealSense ... 39
4.1.2Instalasi Intel® RealSense™ SDK 2.0 ... 39
4.2 Hasil Pengujian Kamera ... 40
4.2.1Pengujian 1 ... 40
4.2.2Pengujian 2 ... 44
4.2.3Pengujian 3 ... 48
4.2.4Pengujian 4 ... 52
4.3 Hasil Pengujian Robot ... 56
4.3.1Pengujian 1 ... 57
4.3.2Pengujian 2 ... 60
4.3.3Pengujian 3 ... 64
4.3.4Pengujian 4 ... 68
4.4 Analisis Hasil ... 72
4.4.1Analisis Hasil Kamera ... 72
4.4.2Analisis Hasil Robot ... 73
BAB V KESIMPULAN DAN SARAN ... 76
5.1 Kesimpulan ... 76
5.2 Saran ... 76
DAFTAR PUSTAKA ... 77
DAFTAR TABEL
Tabel 2.1 Tinjauan Pustaka ... 20
Tabel 3.1 Perangkat Keras yang Digunakan ... 33
Tabel 3.2 Perangkat Lunak yang Digunakan ... 34
Tabel 3.3 Jadwal Penelitian... 38
Tabel 4.1 Hasil Pengujian Pergerakan Kamera Maju ... 43
Tabel 4.2 Hasil Pengujian Pergerakan Kamera Maju (Lanjutan) ... 44
Tabel 4.3 Hasil Pengujian Pergerakan Kamera Mundur ... 47
Tabel 4.4 Hasil Pengujian Pergerakan Kamera Ke Kiri ... 51
Tabel 4.5 Hasil Pengujian Pergerakan Kamera Ke Kanan ... 55
Tabel 4.6 Hasil Pengujian Robot Berjalan Maju ... 60
Tabel 4.7 Hasil Pengujian Robot Berjalan Mundur ... 63
Tabel 4.8 Hasil Pengujian Robot Berjalan Ke Kiri ... 67
Tabel 4.9 Hasil Pengujian Robot Berjalan Ke Kanan ... 71
Tabel 4.10 Akurasi dan Error Hasil Pengujian Kamera ... 72
Tabel 4.11 Akurasi dan Error Hasil Pengujian Robot ... 74
DAFTAR GAMBAR
Gambar 2.1 Proses SLAM ... 24
Gambar 2.2 Sistem Koordinat T265 ... 25
Gambar 2.3 Robot Sepak Bola Humanoid Krakatau FC ... 26
Gambar 2.4 Koordinat Kartesian ... 27
Gambar 2.5 Koordinat Kartesian Kwadran I ... 27
Gambar 2.6 Rotasi 90° Segitiga Sembarang ... 28
Gambar 2.7 Translasi Segitiga Sembarang ... 29
Gambar 3.1 Tahapan Penelitian ... 31
Gambar 3.2 Rancangan Peletakan Kamera pada Robot... 36
Gambar 3.3 Rancangan Sistem ... 36
Gambar 3.4 Rancangan Lapangan Pengujian ... 37
Gambar 4.1 Realisasi Peletakan Kamera Pada Robot ... 39
Gambar 4.2 Sudut Pandang Kamera Fisheye Stereo ... 40
Gambar 4.3 Posisi Kamera pada Tiang Pengujian ... 40
Gambar 4.4 Grafik Percobaan Kesatu Pergerakan Kamera Maju... 41
Gambar 4.5 Grafik Percobaan Kedua Pergerakan Kamera Maju ... 41
Gambar 4.6 Grafik Percobaan Ketiga Pergerakan Kamera Maju ... 42
Gambar 4.7 Grafik Percobaan Keempat Pergerakan Kamera Maju ... 42
Gambar 4.8 Grafik Percobaan Kelima Pergerakan Kamera Maju ... 43
Gambar 4.9 Grafik Percobaan Kesatu Pergerakan Kamera Mundur ... 45
Gambar 4.10 Grafik Percobaan Kedua Pergerakan Kamera Mundur ... 45
Gambar 4.11 Grafik Percobaan Ketiga Pergerakan Kamera Mundur... 46
Gambar 4.12 Grafik Percobaan Keempat Pergerakan Kamera Mundur ... 46
Gambar 4.13 Grafik Percobaan Kelima Pergerakan Kamera Mundur ... 47
Gambar 4.14 Grafik Percobaan Kesatu Pergerakan Kamera Ke Kiri ... 49
Gambar 4.15 Grafik Percobaan Kedua Pergerakan Kamera Ke Kiri... 49
Gambar 4.16 Grafik Percobaan Ketiga Pergerakan Kamera Ke Kiri ... 50
Gambar 4.17 Grafik Percobaan Keempat Pergerakan Kamera Ke Kiri... 50
Gambar 4. 18 Grafik Percobaan Kelima Pergerakan Kamera Ke Kiri ... 51
Gambar 4.19 Grafik Percobaan Kesatu Pergerakan Kamera Ke Kanan ... 53
Gambar 4.20 Grafik Percobaan Kedua Pergerakan Kamera Ke Kanan... 53
Gambar 4.21 Grafik Percobaan Ketiga Pergerakan Kamera Ke Kanan ... 54
Gambar 4.22 Grafik Percobaan Keempat Pergerakan Kamera Ke Kanan ... 54
Gambar 4.23 Grafik Percobaan Kelima Pergerakan Kamera Ke Kanan ... 55
Gambar 4.24 Posisi Robot pada Lapangan Pengujian ... 56
Gambar 4.25 Grafik Percobaan Kesatu Robot Berjalan Maju ... 57
Gambar 4.26 Grafik Percobaan Kedua Robot Berjalan Maju... 58
Gambar 4.27 Grafik Percobaan Ketiga Robot Berjalan Maju ... 58
Gambar 4.28 Grafik Percobaan Keempat Robot Berjalan Maju... 59
Gambar 4.29 Grafik Percobaan Kelima Robot Berjalan Maju ... 59
Gambar 4.30 Grafik Percobaan Kesatu Robot Berjalan Mundur ... 61
Gambar 4.31 Grafik Percobaan Kedua Robot Berjalan Mundur ... 61
Gambar 4.32 Grafik Percobaan Ketiga Robot Berjalan Mundur ... 62
Gambar 4.33 Grafik Percobaan Keempat Robot Berjalan Mundur ... 62
Gambar 4.34 Grafik Percobaan Kelima Robot Berjalan Mundur ... 63
Gambar 4.35 Grafik Percobaan Kesatu Robot Berjalan Ke Kiri ... 65
Gambar 4.36 Grafik Percobaan Kedua Robot Berjalan Ke Kiri ... 65
Gambar 4.37 Grafik Percobaan Ketiga Robot Berjalan Ke Kiri ... 66
Gambar 4.38 Grafik Percobaan Keempat Robot Berjalan Ke Kiri ... 66
Gambar 4.39 Grafik Percobaan Kelima Robot Berjalan Ke Kiri... 67
Gambar 4.40 Grafik Percobaan Kesatu Robot Berjalan Ke Kanan ... 69
Gambar 4.41 Grafik Percobaan Kedua Robot Berjalan Ke Kanan ... 69
Gambar 4.42 Grafik Percobaan Ketiga Robot Berjalan Ke Kanan ... 70
Gambar 4.43 Grafik Percobaan Keempat Robot Berjalan Ke Kanan ... 70
Gambar 4.44 Grafik Percobaan Kelima Robot Berjalan Ke Kanan... 71
ABSTRAK
Penerapan Simultaneous Localization and Mapping (SLAM) Menggunakan Kamera Pelacak Intel RealSense
(Studi Kasus Robot Sepak Bola Humanoid Krakatau FC) Deva Faradiba
19312102
Dalam Kontes Robot Sepak Bola Indonesia (KRSBI), robot harus mampu bergerak secara autonomous dengan bantuan sistem navigasi yang dapat menentukan posisi dan orientasi robot. Metode yang digunakan sebelumnya, seperti Simultaneous Localization and Mapping (SLAM) dengan kamera monocular, dinilai kurang efektif karena ketidakmampuan untuk menskala data pelacakan dan pemetaan. Sebagai alternatif, kamera pelacak Intel RealSense T265 diusulkan sebagai solusi SLAM yang menggunakan Visual Inertial Odometry (VIO) untuk melacak orientasi dan posisi dalam ruang 3D dengan akurasi yang lebih baik.
Penelitian ini bertujuan untuk menerapkan SLAM menggunakan kamera pelacak Intel RealSense pada robot sepak bola humanoid Krakatau FC. Dalam penelitian ini, beberapa pengujian telah dilaksanakan untuk mengetahui akurasi dan error nilai posisi sumbu x, y, dan orientasi robot. Hasil pengujian menunjukan, bahwa hasil pengujian kamera pelacak Intel RealSense memiliki akurasi yang baik dalam pergerakan ke depan, ke belakang, ke samping kiri, dan ke samping kanan, dengan rata-rata error sekitar 6.675%. Sedangkan, hasil pengujian robot memiliki kinerja yang bervariasi tergantung pada arah pergerakan, dengan rata-rata error sekitar 76.9%.
Kata Kunci: Simultaneous Localization and Mapping (SLAM), Intel RealSense, Robot Sepak Bola Humanoid, Navigasi Robot, Sistem Koordinat Kartesian.
1.1 Latar Belakang
Pertumbuhan teknologi dalam ranah robotika kini mengalami kemajuan yang signifikan. Salah satu jenis robot yang dikembangkan adalah robot sepak bola humanoid yang didesain untuk bermain sepak bola seperti manusia (Iswahyudi and Ardi Sumbodo, 2017). Robot sepak bola humanoid diperlombakan dalam Kontes Robot Sepak Bola Indonesia (KRSBI) yang diikuti oleh mahasiswa perguruan tinggi di Indonesia, termasuk tim Krakatau FC dari Universitas Teknokrat Indonesia.
Dalam KRSBI, robot harus mampu bergerak secara autonomous terhadap lingkungannya (Kusumoputro et al., 2023). Agar dapat bergerak autonomous secara optimal, dibutuhkan sebuah sistem navigasi untuk menentukan posisi dan orientasi robot tersebut. Kemampuan ini disebut dengan Simultaneous Localization and Mapping (SLAM), sebuah istilah yang merujuk pada proses mengintegrasikan data sensor menggunakan berbagai algoritma guna menciptakan peta lingkungan serta secara bersamaan menentukan posisi robot (Rahman, 2020).
Penelitian terkait sistem navigasi robot telah dilakukan sebelumnya oleh (García et al., 2016) dengan metode algoritma SLAM menggunakan kamera monocular yang menggabungkan informasi visual dan pengukuran dari Inertial Measurement Unit (IMU) untuk mendapatkan perkiraan pose Six Degrees of Freedom (6DoF) dari Micro Aerial Vehicles (MAVs) pada peta lingkungan lokal melalui Extended Kalman Filter (EKF). Namun, metode SLAM menggunakan kamera monocular dinilai kurang efektif karena ketidakmampuan untuk menskala
data pelacakan dan pemetaan.
Pada penelitian (Agarwal, Crouse and Johnson, 2020) membahas tentang metode estimasi dan lokalisasi pose Unmanned Aerial System (UAS) menggunakan Intel RealSense T265 yang dikembangkan dan dilengkapi dengan kerangka kerja Extended Kalman Filter (EKF) untuk mengkarakterisasi kemampuan lokalisasi Intel RealSense T265, serta mengevaluasi kinerja EKF dalam penghalusan noise sensor dan pelacakan lintasan dalam penerbangan tertutup. Hasil pengujian menunjukkan kemampuan lokalisasi yang menjanjikan karena perangkat terus mengumpulkan informasi tentang lingkungannya, serta kinerja EKF selama penerbangan tertutup menunjukkan penghalusan pengukuran noise dari Intel RealSense T265 dan pelacakan lintasan yang umumnya akurat.
Kamera pelacak Intel RealSense T265 merupakan solusi SLAM tertanam penuh yang menggunakan Visual Inertial Odometry (VIO) untuk melacak orientasi dan posisinya sendiri dalam ruang 3D. VIO secara signifikan lebih kecil, lebih murah, dan mengonsumsi lebih sedikit daya, serta mendeteksi lokasi pada peta besar berdasarkan fitur visual, bukan hanya jangkauan dan geometri. Selain IMU, Intel RealSense T265 berisi kamera fisheye stereo terkalibrasi yang memungkinkan pelacakan fitur dan koreksi skala yang akurat (Grunnet-Jepsen et al., 2020).
Berdasarkan permasalahan di atas, belum ada penelitian yang membahas metode SLAM pada robot sepak bola humanoid menggunakan kamera pelacak Intel RealSense. Oleh karena itu, peneliti terfokus dengan judul Penerapan Simultaneous Localization and Mapping (SLAM) Menggunakan Kamera Pelacak Intel RealSense Pada Robot Sepak Bola Humanoid Krakatau FC berdasarkan penggabungan metode SLAM dengan kamera pelacak Intel Realsense T265 dengan tujuan untuk
menentukan posisi dan orientasi robot tersebut.
1.2 Rumusan Masalah
Dengan merujuk pada latar belakang masalah yang telah dijelaskan, fokus utama dari penelitian ini adalah:
1. Bagaimana menerapkan SLAM menggunakan kamera pelacak Intel RealSense pada robot sepak bola humanoid Krakatau FC?
2. Bagaimana menganalisis hasil pengaruh penerapan SLAM menggunakan kamera pelacak Intel RealSense pada robot sepak bola humanoid Krakatau FC?
1.3 Batasan Masalah
Batasan masalah dalam penelitian ini adalah:
1. Fokus utama penelitian ini terletak pada hasil penerapan SLAM menggunakan kamera pelacak Intel RealSense.
2. Objek penelitian ini adalah robot sepak bola humanoid Krakatau FC.
3. Penelitian ini tidak membahas tentang mekanika dan strategi robot.
1.4 Tujuan Penelitian
Tujuan dari penelitian ini adalah:
1. Menerapkan SLAM menggunakan kamera pelacak Intel RealSense pada robot sepak bola humanoid Krakatau FC.
2. Menganalisis hasil pengaruh penerapan SLAM menggunakan kamera pelacak Intel RealSense pada robot sepak bola humanoid Krakatau FC.
1.5 Manfaat Penelitian
Manfaat yang dapat diperoleh dari penelitian ini adalah:
1. Menyediakan pengetahuan tambahan dalam bidang robotika, terutama
dalam penerapan teknologi SLAM menggunakan kamera pelacak Intel RealSense pada robot sepak bola humanoid.
2. Temuan dari penelitian ini memiliki potensi untuk menjadi landasan bagi penelitian yang akan datang.
3. Menyajikan referensi berguna bagi pengembang sistem navigasi pada robot sepak bola humanoid.
1.6 Sistematika Penulisan
Tujuan dari penggunaan sistematika penulisan adalah untuk memberikan kejelasan dan kemudahan dalam penulisan penelitian. Sistematika penulisan dalam penelitian ini adalah:
1. Bab I Pendahuluan
Menjelaskan tentang latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, dan sistematika penulisan.
2. Bab II Landasan Teori
Menjelaskan tentang tinjauan pustaka yang digunakan, Simultaneous Localization and Mapping (SLAM), kamera pelacak Intel RealSense T265, robot sepak bola humanoid Krakatau FC, sistem koordinat kartesian, dan transformasi geometri.
3. Bab III Metode Penelitian
Menjelaskan tentang objek dan tempat penelitian, metode pengumpulan data, tahapan penelitian, alat dan bahan penelitian, penelitian yang akan dilakukan, skema rancangan pengujian, dan jadwal penelitian.
4. Bab IV Hasil dan Pembahasan
Menjelaskan tentang implementasi, hasil pengujian, dan analisis pengujian yang telah dilakukan.
5. Bab V Kesimpulan dan Saran
Menjelaskan tentang kesimpulan akhir dari penelitian dan memberikan saran berdasarkan pengujian yang telah dilakukan untuk meningkatkan proses pengujian selanjutnya.
6. Daftar Pustaka
Berisikan daftar semua referensi yang digunakan dalam penelitian ini.
BAB II
LANDASAN TEORI 2.1 Tinjauan Pustaka
Dalam rangka mendukung penelitian ini, tinjauan pustaka akan menjadi sumber referensi yang relevan. Rincian mengenai tinjauan pustaka dapat ditemukan pada Tabel 2.1 berikut:
Tabel 2.1 Tinjauan Pustaka
Nomor Penulis Tahun Judul
Tinjauan Pustaka 1
Achmad Akmal Fikri dan Lilik Anifah
2021 Mapping and Localization System pada Mobile Robot Menggunakan Metode SLAM Berbasis LiDAR
Tinjauan Pustaka 2
Achmad Luthfi Rosyadi, Son Kuswadi, dan Indra Adji Sulistijono
2011 Pemetaan dan Lokalisasi Secara Simultan Robot iSRo menggunakan Multi-sensor Tinjauan
Pustaka 3
Ankit Agarwal, Jacob R.
Crouse, dan Eric N.
Johnson
2020 Evaluation of a Commercially Available Autonomous Visual Inertial Odometry Solution for Indoor Navigation
Tinjauan Pustaka 4
Tim Appelt, Joschka van der Lucht, Michael Bleier, dan Andreas Nuchter
2021 Calibration and validation of the intel T265 for visual localisation and tracking underwater
Tabel 2.1 Tinjauan Pustaka (Lanjutan)
Nomor Penulis Tahun Judul
Tinjauan Pustaka 5
Shuhuan Wen, Miao Sheng, Chunli Ma, Zhen Li, H. K. Lam, Yongsheng Zhao, dan Jingrong Ma
2018 Camera Recognition and Laser Detection based on
EKF-SLAM in the
Autonomous Navigation of Humanoid Robot
Tinjauan Pustaka 1
Dalam penelitian ini membahas tentang perancangan sistem pemetaan dan lokalisasi menggunakan metode SLAM pada mobile robot jenis omnidirectional atau holonomic menggunakan sensor LiDAR dengan membuat peta lingkungan menggunakan kombinasi algoritma Google Cartographer dan metode Eulerdometry. Tujuan dari penelitian ini adalah agar robot dapat memetakan keadaan lingkungannya dan bergerak secara otonom berdasarkan data dari sistem pemetaan dan lokalisasi robot. Hasil pengujian menunjukkan hasil yang optimal dan robot mampu mengenali lingkungan sekitarnya walaupun pada peta yang sudah dibangun masih terdapat noise (Fikri and Anifah, 2021).
Tinjauan Pustaka 2
Dalam penelitian ini membahas tentang pembuatan perangkat lunak SLAM pada robot iSRo dengan perhitungan navigasi menggunakan pendekatan Dead Reckoning, tetapi tipe penggerak untuk setiap kubusnya menggunakan Differential Mobile Drive. Tujuan dari penelitian ini adalah membangun program visualisasi untuk menggambarkan pergerakan robot, arah hadap robot, jarak tempuh robot, dan
bentuk rintangan yang terdeteksi oleh robot. Hasil pengujian menunjukkan pemetaan dari perangkat lunak yang dibuat hampir sesuai dengan denah ruang yang sebenarnya dan posisi robot juga dapat ditentukan walaupun gambar jarak antara proses update posisi x dan x-1 masih terlalu jauh dan selip akibat roda menunjukkan tingkat kesalahan pembacaan serta jangkauan pembacaan sensor kompas belum mendetail (Rosyadi, Kuswadi and Sulistijono, 2011).
Tinjauan Pustaka 3
Dalam penelitian ini membahas tentang metode estimasi dan lokalisasi pose Unmanned Aerial System (UAS) menggunakan Intel RealSense T265 yang dikembangkan dan dilengkapi dengan kerangka kerja Extended Kalman Filter (EKF). Tujuan dari penelitian ini adalah untuk mengkarakterisasi kemampuan lokalisasi Intel RealSense T265, serta mengevaluasi kinerja EKF dalam penghalusan noise sensor dan pelacakan lintasan dalam penerbangan tertutup. Hasil pengujian menunjukkan kemampuan lokalisasi yang menjanjikan karena perangkat terus mengumpulkan informasi tentang lingkungannya, serta kinerja EKF selama penerbangan tertutup menunjukkan penghalusan pengukuran noise dari Intel RealSense T265 dan pelacakan lintasan yang umumnya akurat walaupun keterbatasan pelacakan titik fitur dan pengukuran IMU, akselerasi mendadak serta perubahan arah yang tiba-tiba cenderung melebihi kemampuan pelacakan Intel RealSense T265 (Agarwal, Crouse and Johnson, 2020).
Tinjauan Pustaka 4
Dalam penelitian ini membahas tentang lokalisasi dan navigasi Autonomous Underwater Vehicle (AUV) menggunakan Intel RealSense T265. Tujuan dari penelitian ini adalah untuk mengevaluasi kemampuan lokalisasi dan pelacakan Intel
RealSense T265 di lingkungan jarak dekat bawah air. Hasil pengujian menunjukkan mengkalibrasi kamera stereo T265 dengan benar memiliki efek menstabilkan lintasan yang dapat dilacak kamera walaupun ada beberapa perbedaan antara bidang aktual dan jalur terhitung lainnya dan faktor pembatas untuk T265 adalah ketidakakuratan IMU yang menyebabkan banyak kesalahan dalam algoritma pelacakan (Appelt et al., 2021).
Tinjauan Pustaka 5
Dalam penelitian ini membahas tentang EKF-SLAM berbasis deteksi kamera dan laser untuk robot humanoid NAO. Tujuan dari penelitian ini adalah untuk navigasi otonom robot NAO di lingkungan yang tidak diketahui. Hasil pengujian menunjukkan metode yang diusulkan layak dan dapat menyelesaikan proses berjalan otonom robot NAO di lingkungan dalam ruangan walaupun di lingkungan sebenarnya, keterbatasan pada penelitian ini adalah tidak meningkatkan algoritma EKF-SLAM (Wen et al., 2018).
2.2 Simultaneous Localization and Mapping (SLAM)
Simultaneous Localization and Mapping (SLAM) adalah sebuah proses yang memungkinkan robot bergerak memetakan lingkungannya dan menggunakan peta tersebut untuk menentukan posisinya pada saat yang bersamaan (Durrant-Whyte and Bailey, 2006). Misalkan, sebuah robot berjalan melalui lingkungannya dan mengamati serangkaian landmark yang tidak diketahui menggunakan sensor yang terpasang pada robot, seperti yang ditunjukkan pada Gambar 2.1.
Gambar 2.1 Proses SLAM Sumber : (Durrant-Whyte and Bailey, 2006) Variabel berikut didefinisikan pada waktu k:
• xk: vektor keadaan yang mewakili posisi dan orientasi robot
• uk: vektor kendali diterapkan pada waktu k - 1 untuk menggerakkan robot ke keadaan xk pada waktu k
• mi: vektor yang mendeskripsikan landmark ke-i yang posisi sebenarnya diasumsikan tidak bergantung pada waktu
• zik: Pengamatan yang dilakukan robot pada waktu k dari landmark ke-i.
Observasi ditulis dengan zk jika terdapat beberapa observasi landmark secara bersamaan atau jika landmark tertentu tidak relevan dengan pembahasan. Selain itu, besaran berikut juga didefinisikan:
• X0:k = {x0, x1, …, xk} = {X0:k-1, xk}: riwayat lokasi robot
• U0:k = {u1, u2, …, uk} = {U0:k-1, uk}: mengontrol riwayat masukan
• m = {m1, m2, …, mn} kumpulan semua landmark
• Z0:k = {z1, z2, …, zk} = {Z0:k-1, zk}: himpunan semua observasi landmark.
2.3 Kamera Pelacak Intel RealSense T265
Kamera pelacak Intel RealSense T265 adalah solusi lengkap yang memanfaatkan algoritma canggih untuk menyediakan pelacakan 6DoF berbasis VIO. Desain perangkat keras mencakup serangkaian kamera fisheye stereo Field of View (FOV) lebar dengan FOV melingkar sekitar 165o yang ditangkap oleh kamera rana global monokrom berdiameter sekitar 800 piksel. Kamera ini disinkronkan dengan perangkat keras dengan gyro Bosch BMI055 200Hz dan akselerometer 62,5Hz, dan Intel® Movidius™ Myriad™ 2 Vision Processing Unit (VPU) yang kuat. Prosesor terpasang menjalankan seluruh algoritma SLAM di dalam kamera, menganalisis gambar stereo dan menggabungkan semua informasi sensor ke dalam pelacakan 6DoF, semuanya dengan daya kurang dari 1,5W. Informasi pose kamera disediakan melalui USB pada 200Hz dan dapat dengan mudah dihubungkan ke sebagian besar platform host menggunakan open source Intel RealSense SDK (Grunnet-Jepsen et al., 2020). Pose yang disediakan oleh kamera ini relatif terhadap bagian tengah kedua kamera dapat terlihat dalam Gambar 2.1 berikut:
Gambar 2.2 Sistem Koordinat T265 Sumber: (Grunnet-Jepsen et al., 2020) 2.4 Robot Sepak Bola Humanoid Krakatau FC
Robot sepak bola humanoid Krakatau FC dibangun berdasarkan referensi platform robot DARwIn-OP. Robot tersebut memiliki 20 servo Dynamixel yang
berfungsi sebagai sendi robot, di mana 6 servo MX-64 dan 6 servo MX-106 menggerakkan tubuh bagian bawah, dan 8 servo MX-28 menggerakkan tubuh bagian atas. Dua servo teratas digunakan untuk memposisikan kamera dengan kemampuan gerakan kiri/kanan (Pan) dan atas/bawah (Tilt) (Pajar et al., 2017).
Robot ini menggunakan kamera PS Eye dan Mini PC dengan prosesor Intel®
Core™ i3-10110U, serta KSC sebagai pengendali servo. Robot sepak bola humanoid Krakatau FC dapat dilihat pada Gambar 2.2 berikut:
Gambar 2.3 Robot Sepak Bola Humanoid Krakatau FC 2.5 Sistem Koordinat Kartesian
Sistem koordinat Kartesian digunakan untuk mengidentifikasi posisi setiap titik di bidang dengan menggunakan dua nilai yang dikenal sebagai koordinat x (absis) dan koordinat y (ordinat) dari titik tersebut. Penggunaan sistem koordinat Kartesian juga dapat diterapkan pada dimensi yang lebih tinggi, seperti tiga dimensi, dengan menggunakan tiga sumbu (sumbu x, y, dan z) (Hanafi, Wulandari and Wulansari, 2017).
Gambar 2.4 Koordinat Kartesian Sumber: (Hanafi, Wulandari and Wulansari, 2017)
Dari Gambar 2.4 di atas, dapat dikenali empat bidang simetris yang dibatasi oleh sumbu koordinat x dan y, di mana masing-masing bidang tersebut disebut sebagai Kwadran. Oleh karena itu, terdapat empat Kwadran, yaitu:
• Kwadran I (x > 0, y > 0),
• Kwadran II (x < 0, y > 0),
• Kwadran III (x < 0, y < 0), dan
• Kwadran IV (x > 0, y < 0).
Perhatikan Gambar 2.5 berikut:
Anggaplah titik B (x1, y1) dan berada pada Kwadran I. Jika demikian, ini mengindikasikan bahwa (x1 > 0, y1 > 0)
Gambar 2.5 Koordinat Kartesian Kwadran I
Sumber: (Hanafi, Wulandari and Wulansari, 2017) 2.6 Transformasi Geometri
Transformasi geometri merujuk pada pergeseran objek geometri dari koordinat awalnya (x, y) ke koordinat lainnya (x′, y′) (AGUSNA, 2023).
Rotasi
Rotasi merujuk pada pergeseran posisi melalui pemutaran objek melalui suatu titik pusat dan sudut tertentu. Pada bidang datar, rotasi ditentukan oleh titik pusat rotasi, besarnya sudut rotasi, dan arah rotasi. Hasil rotasi suatu objek bervariasi tergantung pada pusat rotasi dan besar sudut rotasi yang digunakan.
Gambar di bidang kartesian di bawah menunjukkan pergeseran posisi segitiga sembarang akibat rotasi sejauh 90°.
Gambar 2.6 Rotasi 90° Segitiga Sembarang Sumber: (AGUSNA, 2023)
Rumus di bawah ini menggambarkan bentuk umum dari rotasi.
O,a
P (x, y) →→ P′ (x′, y′) Translasi
Translasi, atau perpindahan, merupakan tipe transformasi yang menggeser suatu titik sepanjang lintasan lurus dengan arah dan jarak tertentu. Pergeseran titik
tersebut dapat dilakukan ke atas, ke bawah, ke kanan, ke kiri, atau kombinasi dari keempat arah tersebut. Penting dicatat bahwa setelah mengalami translasi, bentuk dan ukuran suatu bangun atau objek tidak mengalami perubahan. Pada sistem koordinat Kartesian yang terlihat di bawah ini, tergambar pergeseran segitiga sembarang yang disebabkan oleh translasi.
Gambar 2.7 Translasi Segitiga Sembarang Sumber: (AGUSNA, 2023)
Rumus di bawah ini menggambarkan bentuk umum dari translasi.
T (a b)
A (x, y) →→ A′ (x′, y′) Atau
T (a b)
A (x, y) →→ A′ (x + a, y + b)
3.1 Objek dan Tempat Penelitian
Penelitian ini akan berfokus di dalam lingkungan Universitas Teknokrat Indonesia, terutama di dalam ruang Laboratorium Robotika. Robot sepak bola humanoid Krakatau FC akan menjadi objek penelitian ini.
3.2 Metode Pengumpulan Data
Dalam penelitian ini, teknik pengumpulan data dilakukan melalui metode berikut:
1. Eksperimen
Data dikumpulkan dengan menerapkan SLAM menggunakan kamera pelacak Intel RealSense pada robot sepak bola humanoid Krakatau FC.
Selanjutnya, observasi dan pencatatan dilakukan terhadap hasil yang diperoleh selama penelitian.
2. Studi Literatur
Data diperoleh melalui telaah literatur, jurnal penelitian, dokumentasi buku, sumber internet, dan referensi yang relevan dengan objek penelitian yang sedang diteliti.
3.3 Tahapan Penelitian
Tahapan-tahapan yang dilakukan dalam penelitian ini dilakukan secara terencana, metodis dan sistematis guna mencapai tujuan tertentu. Tahapan-tahapan penelitian tersebut dapat dilihat pada Gambar 3.1 berikut:
Dari gambar di atas, berikut penjelasan dari masing-masing tahapan penelitian:
1. Perencanaan
Tahap perencanaan merupakan tahap awal penelitian dimana peneliti mempersiapkan segala sesuatu kebutuhan yang akan diperlukan selama penelitian. Tahapan ini juga mencakup pembatasan masalah penelitian yang dilakukan dan pengumpulan data.
2. Studi Literatur
Pada tahapan ini, peneliti mencari referensi terkait topik penelitiannya dengan mempelajari buku dan jurnal penelitian sebelumnya. Dari referensi tersebut, akan didapatkan beberapa metode atau teknik yang dapat digunakan untuk menerapkan SLAM menggunakan kamera pelacak
Penutup
1. Membuat kesimpulan dari hasil penelitian
2. Membuat saran untuk penelitian selanjutnya
Perencanaan
1. Menyiapkan kebutuhan penelitian 2. Menentukan ruang lingkup
penelitian
3. Mengumpulkan data
Studi Literatur
1. Mempelajari penelitian sebelumnya 2. Menentukan metode yang akan
digunakan
Analisis
1. Menganalisis kebutuhan hardware dan software yang akan digunakan Perancangan
1. Merancang penempatan kamera pelacak Intel RealSense pada robot 2. Merancang sistem pada robot
Implementasi dan Pengujian 1. Menerapkan metode pada objek
penelitian
2. Menguji objek penelitian
Gambar 3.1 Tahapan Penelitian
Intel RealSense pada robot sepak bola humanoid Krakatau FC.
3. Analisis
Pada tahapan ini, peneliti akan melakukan analisis rinci terkait kebutuhan penelitiannya, termasuk evaluasi perangkat keras dan perangkat lunak yang akan digunakan.
4. Perancangan
Pada tahapan ini, peneliti merancang penerapan SLAM menggunakan kamera pelacak Intel RealSense pada robot sepak bola humanoid Krakatau FC, mulai dari menentukan posisi kamera hingga proses penentuan posisi robot dalam sistem.
5. Implementasi dan Pengujian
Pada tahapan ini, peneliti memulai penerapan SLAM menggunakan kamera pelacak Intel RealSense pada robot sepak bola humanoid Krakatau FC. Selanjutnya, dilakukan pengujian secara langsung dalam kondisi real-time dengan parameter tertentu guna mencapai hasil optimal.
6. Penutup
Pada tahap akhir, yaitu menarik kesimpulan yang menjelaskan apakah metode yang diusulkan dapat menentukan posisi robot atau tidak.
Evaluasi dilakukan dari hasil tersebut agar peneliti selanjutnya dapat memberikan hasil yang lebih baik lagi.
3.4 Alat dan Bahan Penelitian
Alat dan bahan yang digunakan dalam penelitian ini mencakup perangkat keras dan perangkat lunak. Berikut adalah daftar peralatan dan bahan yang digunakan:
Perangkat Keras (Hardware)
Rincian mengenai perangkat keras yang digunakan dalam penelitian ini dapat ditemukan dalam Tabel 3.1 berikut:
Tabel 3.1 Perangkat Keras yang Digunakan
No. Hardware Deskripsi
1 Laptop Dell Latitude 3400
• Media programming dan monitoring robot sepak bola humanoid Krakatau FC.
• Windows 10 Pro 64-bit, 8 GB RAM, 500 GB Harddisk, dan Intel® Core™ i3- 8145U CPU @ 2.10GHz 2.30GHz.
2 Robot Sepak Bola Humanoid Krakatau FC
• Objek penelitian yang akan digunakan.
3 Mini PC Intel NUC Kit NUC10i3FNH
• Main controller robot sepak bola humanoid Krakatau FC.
• Ubuntu 18.04, 8 GB RAM, 120 GB SSD, dan Intel® Core™ i3-10110U (4M Cache, up to 4.10 GHz).
Tabel 3.1 Perangkat Keras yang Digunakan (Lanjutan)
No. Hardware Deskripsi
4 Kamera Pelacak Intel RealSense T265
• Media pelacak visual untuk navigasi dan mengenali lingkungan sekitar robot sepak bola humanoid Krakatau FC.
• USB 3.1 Gen 1 Micro B, dua kamera fisheye, BMI055 Inertial Measurement Unit (IMU), dan Intel® Modivus™
Myriad™ 2.0 VPU.
5 Krakatau Sub Board Controller
• Sub controller robot sepak bola humanoid Krakatau FC untuk mengendalikan servo, membaca sensor gyroscope, accelerometer, dan compass.
Perangkat Lunak (Software)
Rincian mengenai perangkat lunak yang digunakan dalam penelitian ini dapat ditemukan dalam Tabel 3.2. berikut:
Tabel 3.2 Perangkat Lunak yang Digunakan
No. Software Deskripsi
1 Intel RealSense Viewer • Aplikasi yang dapat mengakses kamera Intel RealSense dengan cepat.
2 CorelDRAW • Aplikasi desain grafis digital 2D berbasis vektor.
Tabel 3.2 Perangkat Lunak yang Digunakan (Lanjutan)
No. Software Deskripsi
3 Visual Studio Code • Aplikasi editor kode untuk membangun aplikasi serta mendukung berbagai bahasa pemrograman.
4 Sublime Text 3 • Aplikasi editor untuk menulis berbagai kode pemrograman dan memodifikasi file dalam format apa pun.
5 Windows 10 Pro • Sistem operasi yang berorientasi pada profesional dan lingkungan bisnis.
6 Linux Ubuntu 18.04 • Sistem operasi yang digunakan pada Mini PC Intel NUC Kit NUC10i3FNH.
3.5 Penelitian
3.5.1 Rancangan Arsitektur Kamera
Kamera PS Eye pada robot diganti dengan kamera pelacak Intel RealSense yang dilengkapi dua lensa fisheye dengan kombinasi FOV 163±5° yang dapat melacak orientasi dan posisinya sendiri dalam ruang 3D. Pada frame kepala robot, kamera diletakan menghadap ke depan dengan posisi titik tengah berada diantara kedua lensa fisheye yang mengacu pada sistem koordinat sistem pelacakan, dengan X mengarah ke kanan, Y mengarah ke atas, dan Z mengarah ke belakang kamera.
Kamera ini telah dikalibrasi di pabrik dan parameternya dapat diperoleh dari Intel RealSense SDK. Sebagian parameter ini dapat berubah ketika kamera dinyalakan,
sehingga algoritma di dalam kamera memperkirakannya pada saat pengaktifan.
Rancangan peletakan kamera pada robot dapat dilihat pada Gambar 3.2 berikut:
Gambar 3.2 Rancangan Peletakan Kamera pada Robot 3.5.2 Rancangan Sistem
Proses dimulai dengan menginisialisasi posisi robot menggunakan kamera pelacak Intel RealSense yang terpasang pada robot sepak bola humanoid Krakatau FC. Data yang diperoleh dari input kamera kemudian diproses oleh algoritma SLAM, yang berfungsi untuk menentukan posisi robot dan membuat pemetaan lingkungan sekitarnya secara simultan. Selanjutnya, robot akan melakukan perintah berjalan secara autonomous. Setelah itu, akurasi dan nilai error posisi robot yang didapatkan akan dihitung. Rancangan sistem pada penelitian ini dapat dilihat pada Gambar 3.3 berikut:
Inisialisasi Posisi Intel RealSense
T265 SLAM
Autonomous Running Estimasi Posisi
Gambar 3.3 Rancangan Sistem
Berikut adalah rumus yang digunakan untuk menghitung nilai error:
𝐸𝑟𝑟𝑜𝑟 = 𝑇𝑎𝑟𝑔𝑒𝑡 − 𝐾𝑎𝑚𝑒𝑟𝑎 𝐼𝑛𝑡𝑒𝑙 𝑅𝑒𝑎𝑙𝑆𝑒𝑛𝑠𝑒
𝑇𝑎𝑟𝑔𝑒𝑡 × 100%
3.6 Skema Rancangan Pengujian
Pada tahapan ini, pengujian pada robot sepak bola humanoid Krakatau FC akan dilaksanakan secara real-time. Pengujian ini dilakukan untuk mengetahui akurasi dan nilai error posisi sumbu x dan y pada robot. Pengujian akan dilakukan pada lapangan pengujian berukuran 4 m x 4 m dengan meletakan robot ditengah lapangan tersebut, kemudian robot akan berjalan sejauh 2 m menuju ke pinggir lapangan.
Beberapa pengujian yang akan dilakukan, yaitu:
1. Pada pengujian 1, peneliti melakukan pengujian dengan cara menjalankan robot bergerak maju ke depan.
2. Pada pengujian 2, peneliti melakukan pengujian dengan cara menjalankan robot bergerak mundur ke belakang.
3. Pada pengujian 3, peneliti melakukan pengujian dengan cara menjalankan robot bergerak ke samping kiri.
4. Pada pengujian 4, peneliti melakukan pengujian dengan cara menjalankan
Robot
4 m
4 m
2 m 2 m
2 m
2 m
Gambar 3.4 Rancangan Lapangan Pengujian
robot bergerak ke samping kanan.
3.7 Jadwal Penelitian
Jadwal pelaksanaan penelitian dalam penelitian ini dapat dilihat pada Tabel 3.3 berikut:
Tabel 3.3 Jadwal Penelitian
Kegiatan
Bulan
Juni Juli Agustus September Oktober November 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4
Identifikas i Masalah
Studi Kepustaka an Konsultasi Bimbinga n Perencana an Studi Literatur Analisis Perancang an Penulisan Laporan Proposal Seminar Proposal Implement asi Pengujian Penulisan Laporan Tugas Akhir Seminar Hasil
Keterangan: Sudah Dilaksanakan
BAB IV
HASIL DAN PEMBAHASAN 4.1 Implementasi
4.1.1 Realisasi Peletakan Kamera Intel RealSense
Kamera Intel RealSense dipasang pada bagian frame kepala robot dengan sudut pandang menghadap ke depan dengan posisi titik tengah berada diantara kedua lensa fisheye kamera tersebut. Realisasi peletakan kamera pada robot dapat dilihat pada Gambar 4.1 berikut:
Gambar 4.1 Realisasi Peletakan Kamera Pada Robot 4.1.2 Instalasi Intel® RealSense™ SDK 2.0
Intel® RealSense™ SDK 2.0 perlu diinstal terlebih dahulu agar dapat mengakses kamera pelacak Intel RealSense. Pada penelitian ini bahasa pemrograman yang digunakan adalah python, sehingga untuk menginstal Intel®
RealSense™ SDK 2.0 dengan python dapat dilakukan dengan cara menjalankan perintah pip install pyrealsense2=2.50.0.3812. Setelah terinstal, sudut pandang kamera akan terlihat seperti pada Gambar 4.2 berikut:
Gambar 4.2 Sudut Pandang Kamera Fisheye Stereo 4.2 Hasil Pengujian Kamera
Pengujian ini bertujuan untuk mengkalibrasi serta mengetahui akurasi dan nilai error posisi sumbu x dan y pada kamera. Pengujian dilakukan di lapangan rumput berukuran 4 m x 4 m dengan posisi kamera berada dititik tengah lapangan, kemudian kamera diletakan setinggi robot pada sebuah tiang lurus dengan panjang 2 m dan digerakkan sejauh panjang tiang tersebut. Posisi kamera pada tiang pengujian dapat dilihat pada Gambar 4.3 berikut:
Gambar 4.3 Posisi Kamera pada Tiang Pengujian 4.2.1 Pengujian 1
Pada pengujian ini, kamera digerakan maju ke depan dengan target koordinat (-2, 0) atau sejauh 2 m dengan posisi awal berada di titik (x0, y0)
berdasarkan pada sistem koordinat robot sepak bola humanoid Krakatau FC yaitu sumbu x mengarah ke depan dan y ke kiri. Sedangkan, sistem koordinat pada kamera sumbu x mengarah ke kanan, sumbu y mengarah ke atas, dan sumbu z mengarah ke belakang. Jadi, nilai sumbu pada kamera yang akan digunakan yaitu, -z sebagai x. Grafik hasil dari pergerakan kamera maju ke depan dapat dilihat pada gambar berikut:
Gambar 4.4 Grafik Percobaan Kesatu Pergerakan Kamera Maju Percobaan kesatu pada Gambar 4.4 menunjukan bahwa grafik pergerakan kamera saat maju ke depan sejauh 2 m berada di sumbu -z dengan nilai target yang tidak tercapai. Nilai yang di dapatkan adalah -z = -1.97 dengan nilai selisih dari target sebesar 3 cm.
Gambar 4.5 Grafik Percobaan Kedua Pergerakan Kamera Maju
y
0 2
-2
x 2
-2 -y -x
y
0 2
-2
x 2
-2 -y -x
Percobaan kedua pada Gambar 4.5 menunjukan bahwa grafik pergerakan kamera saat maju ke depan sejauh 2 m berada di sumbu -z dengan nilai target yang tidak tercapai. Nilai yang di dapatkan adalah -z = -1.89 dengan nilai selisih dari target sebesar 11 cm.
Gambar 4.6 Grafik Percobaan Ketiga Pergerakan Kamera Maju Percobaan ketiga pada Gambar 4.6 menunjukan bahwa grafik pergerakan kamera saat maju ke depan sejauh 2 m berada di sumbu -z dengan nilai target yang tidak tercapai. Nilai yang di dapatkan adalah -z = -1.89 dengan nilai selisih dari target sebesar 11 cm.
Gambar 4.7 Grafik Percobaan Keempat Pergerakan Kamera Maju Percobaan keempat pada Gambar 4.7 menunjukan bahwa grafik pergerakan kamera saat maju ke depan sejauh 2 m berada di sumbu -z dengan nilai target yang
y
0 2
-2
x 2
-2 -y -x
y
0 2
-2
x 2
-2 -y -x
tidak tercapai. Nilai yang di dapatkan adalah -z = -1.91 dengan nilai selisih dari target sebesar 9 cm.
Gambar 4.8 Grafik Percobaan Kelima Pergerakan Kamera Maju Percobaan kelima pada Gambar 4.8 menunjukan bahwa grafik pergerakan kamera saat maju ke depan sejauh 2 m berada di sumbu -z dengan nilai target yang tidak tercapai. Nilai yang di dapatkan adalah -z = -1.94 dengan nilai selisih dari target sebesar 6 cm.
Berikut hasil pengujian dari seluruh grafik percobaan pergerakan kamera maju ke depan dapat dilihat pada Tabel 4.1:
Tabel 4.1 Hasil Pengujian Pergerakan Kamera Maju
Percobaan ke-
Target Kamera Intel RealSense Selisih Error
X X X (cm) (%)
1 -2 -1.97 3 1.5%
2 -2 -1.89 11 5.5%
3 -2 -1.89 11 5.5%
4 -2 -1.91 9 4.5%
y
0 2
-2
x 2
-2 -y -x
Tabel 4.2 Hasil Pengujian Pergerakan Kamera Maju (Lanjutan)
Percobaan ke- Target Kamera Intel RealSense Selisih Error
X X X (cm) (%)
5 -2 -1.94 6 3%
Rata-Rata Kamera Intel
RealSense -1.92
Rata-Rata Error 4%
Nilai selisih pada Tabel 4.1 di dapatkan dari nilai target dikurang nilai kamera Intel RealSense, kemudian diubah menjadi centimeter (cm). Untuk mencari nilai error, rumus yang digunakan adalah sebagai berikut:
𝐸𝑟𝑟𝑜𝑟 = 𝑇𝑎𝑟𝑔𝑒𝑡 − 𝐾𝑎𝑚𝑒𝑟𝑎 𝐼𝑛𝑡𝑒𝑙 𝑅𝑒𝑎𝑙𝑆𝑒𝑛𝑠𝑒
𝑇𝑎𝑟𝑔𝑒𝑡 × 100%
Hasil rata-rata nilai pergerakan kamera maju ke depan dari seluruh percobaan yang dilakukan adalah x = -1.92 atau 192 cm dan rata-rata nilai error adalah 4% dengan nilai error tertinggi 5.5% pada percobaan kedua dan ketiga, serta nilai error terendah 1.5% pada percobaan kesatu.
4.2.2 Pengujian 2
Pada pengujian ini, kamera digerakan mundur ke belakang dengan target koordinat (2, 0) atau sejauh 2 m dengan posisi awal berada di titik (x0, y0) berdasarkan pada sistem koordinat robot sepak bola humanoid Krakatau FC yaitu sumbu x mengarah ke depan dan y ke kiri. Sedangkan, sistem koordinat pada kamera sumbu x mengarah ke kanan, sumbu y mengarah ke atas, dan sumbu z mengarah ke belakang. Jadi, nilai sumbu pada kamera yang akan digunakan yaitu, z sebagai -x. Grafik hasil dari pergerakan kamera mundur ke belakang dapat dilihat
pada gambar berikut:
Gambar 4.9 Grafik Percobaan Kesatu Pergerakan Kamera Mundur Percobaan kesatu pada Gambar 4.9 menunjukan bahwa grafik pergerakan kamera saat mundur ke belakang sejauh 2 m berada di sumbu z kemudian menuju ke arah antara sumbu x dan y dengan nilai target yang tidak tercapai. Nilai yang di dapatkan adalah z = 1.80 dengan nilai selisih dari target sebesar 20 cm.
Gambar 4.10 Grafik Percobaan Kedua Pergerakan Kamera Mundur Percobaan kedua pada Gambar 4.10 menunjukan bahwa grafik pergerakan kamera saat mundur ke belakang sejauh 2 m terlihat berada di sumbu z dengan nilai target yang tidak tercapai. Nilai yang di dapatkan adalah z = 1.98 dengan nilai selisih dari target sebesar 2 cm.
y
0 2
-2
x 2
-2 -y -x
y
0 2
-2
x 2
-2 -y -x
Gambar 4.11 Grafik Percobaan Ketiga Pergerakan Kamera Mundur Percobaan ketiga pada Gambar 4.11 menunjukan bahwa grafik pergerakan kamera saat mundur ke belakang sejauh 2 m berada di sumbu z dengan nilai target yang tidak tercapai. Nilai yang di dapatkan adalah z = 1.90 dengan nilai selisih dari target sebesar 9 cm.
Gambar 4.12 Grafik Percobaan Keempat Pergerakan Kamera Mundur Percobaan keempat pada Gambar 4.12 menunjukan bahwa grafik pergerakan kamera saat mundur ke belakang sejauh 2 m berada di sumbu z dengan nilai target yang tidak tercapai. Nilai yang di dapatkan adalah z = 1.88 dengan nilai selisih dari target sebesar 12 cm.
y
0 2
-2
x 2
-2 -y -x
y
0 2
-2
x 2
-2 -y -x
Gambar 4.13 Grafik Percobaan Kelima Pergerakan Kamera Mundur Percobaan kelima pada Gambar 4.13 menunjukan bahwa grafik pergerakan kamera saat mundur ke belakang sejauh 2 m berada di sumbu z dengan nilai target yang tidak tercapai. Nilai yang di dapatkan adalah z = 1.89 dengan nilai selisih dari target sebesar 11 cm.
Berikut hasil pengujian dari seluruh grafik percobaan pergerakan kamera mundur ke belakang dapat dilihat pada Tabel 4.2:
Tabel 4.3 Hasil Pengujian Pergerakan Kamera Mundur
Percobaan ke-
Target Kamera Intel RealSense Selisih Error
-X -X -X (cm) (%)
1 2 1.80 20 10%
2 2 1.98 2 1%
3 2 1.91 9 4.5%
4 2 1.88 12 6%
5 2 1.89 11 5.5%
Rata-Rata Kamera Intel RealSense
1.892
Rata-Rata Error 5.4%
y
0 2
-2
x 2
-2 -y -x
Nilai selisih pada Tabel 4.2 di dapatkan dari nilai target dikurang nilai kamera Intel RealSense, kemudian diubah menjadi centimeter (cm). Untuk mencari nilai error, rumus yang digunakan adalah sebagai berikut:
𝐸𝑟𝑟𝑜𝑟 = 𝑇𝑎𝑟𝑔𝑒𝑡 − 𝐾𝑎𝑚𝑒𝑟𝑎 𝐼𝑛𝑡𝑒𝑙 𝑅𝑒𝑎𝑙𝑆𝑒𝑛𝑠𝑒
𝑇𝑎𝑟𝑔𝑒𝑡 × 100%
Hasil rata-rata nilai pergerakan kamera mundur ke belakang dari seluruh percobaan yang dilakukan adalah -x = 1.892 atau 189.2 cm dan rata-rata nilai error adalah 5.4% dengan nilai error tertinggi 10% pada percobaan kesatu, serta nilai error terendah 1% pada percobaan kedua.
4.2.3 Pengujian 3
Pada pengujian ini, kamera digerakan ke samping kiri dengan target koordinat (0, -2) atau sejauh 2 m dengan posisi awal berada di titik (x0, y0) berdasarkan pada sistem koordinat robot sepak bola humanoid Krakatau FC yaitu sumbu x mengarah ke depan dan y ke kiri. Sedangkan, sistem koordinat pada kamera sumbu x mengarah ke kanan, sumbu y mengarah ke atas, dan sumbu z mengarah ke belakang. Jadi, nilai sumbu pada kamera yang akan digunakan yaitu, -x sebagai y. Grafik hasil dari pergerakan kamera ke samping kiri dapat dilihat pada gambar berikut:
Gambar 4.14 Grafik Percobaan Kesatu Pergerakan Kamera Ke Kiri Percobaan kesatu pada Gambar 4.14 menunjukan bahwa grafik pergerakan kamera saat ke samping kiri sejauh 2 m berada di sumbu -x dengan nilai hampir mendekati target yang akan dicapai. Nilai yang di dapatkan adalah -x = -1.99 dengan nilai selisih dari target sebesar 1 cm.
Gambar 4.15 Grafik Percobaan Kedua Pergerakan Kamera Ke Kiri Percobaan kedua pada Gambar 4.15 menunjukan bahwa grafik pergerakan kamera saat ke samping kiri sejauh 2 m berada di sumbu -x dengan nilai melebihi target yang akan dicapai. Nilai yang di dapatkan adalah -x = -2.01 dengan nilai selisih dari target sebesar -1 cm.
y
0 2
-2
x 2
-2 -y -x
y
0 2
-2
x 2
-2 -y -x
Gambar 4.16 Grafik Percobaan Ketiga Pergerakan Kamera Ke Kiri Percobaan ketiga pada Gambar 4.16 menunjukan bahwa grafik pergerakan kamera saat ke samping kiri sejauh 2 m berada di sumbu -x dengan nilai target yang tidak tercapai. Nilai yang di dapatkan adalah -x = -1.94 dengan nilai selisih dari target sebesar 6 cm.
Gambar 4.17 Grafik Percobaan Keempat Pergerakan Kamera Ke Kiri Percobaan keempat pada Gambar 4.17 menunjukan bahwa grafik pergerakan kamera saat ke samping kiri sejauh 2 m berada di sumbu -x dengan nilai target yang tidak tercapai. Nilai yang di dapatkan adalah -x = -1.83 dengan nilai selisih dari target sebesar 17 cm.
y
0 2
-2
x 2
-2 -y -x
y
0 2
-2
x 2
-2 -y -x
Gambar 4. 18 Grafik Percobaan Kelima Pergerakan Kamera Ke Kiri Percobaan kelima pada Gambar 4.18 menunjukan bahwa grafik pergerakan kamera saat ke samping kiri sejauh 2 m berada di sumbu -x dengan nilai target yang tidak tercapai. Nilai yang di dapatkan adalah -x = -1.80 dengan nilai selisih dari target sebesar 2 cm.
Berikut hasil pengujian dari seluruh grafik percobaan pergerakan kamera ke samping kiri dapat dilihat pada Tabel 4.3:
Tabel 4.4 Hasil Pengujian Pergerakan Kamera Ke Kiri
Percobaan ke-
Target Kamera Intel RealSense Selisih Error
Y Y Y (cm) (%)
1 -2 -1.99 1 0.5%
2 -2 -2.01 -1 -0.5%
3 -2 -1.94 6 3%
4 -2 -1.83 17 8.5%
5 -2 -1.80 2 10%
Rata-Rata Kamera Intel RealSense
-1.914
Rata-Rata Error 4.3%
y
0 2
-2
x 2
-2 -y -x
Nilai selisih pada Tabel 4.3 di dapatkan dari nilai target dikurang nilai kamera Intel RealSense, kemudian diubah menjadi centimeter (cm). Untuk mencari nilai error, rumus yang digunakan adalah sebagai berikut:
𝐸𝑟𝑟𝑜𝑟 = 𝑇𝑎𝑟𝑔𝑒𝑡 − 𝐾𝑎𝑚𝑒𝑟𝑎 𝐼𝑛𝑡𝑒𝑙 𝑅𝑒𝑎𝑙𝑆𝑒𝑛𝑠𝑒
𝑇𝑎𝑟𝑔𝑒𝑡 × 100%
Hasil rata-rata nilai pergerakan kamera ke samping kiri dari seluruh percobaan yang dilakukan adalah y = -1.914 atau 191.4 cm dan rata-rata nilai error adalah 4.3% dengan nilai error tertinggi 10% pada percobaan kelima, serta nilai error terendah 0.5% pada percobaan kesatu dan -0.5% pada percobaan kedua.
4.2.4 Pengujian 4
Pada pengujian ini, kamera digerakan ke samping kanan dengan target koordinat (0, 2) atau sejauh 2 m dengan posisi awal berada di titik (x0, y0) berdasarkan pada sistem koordinat robot sepak bola humanoid Krakatau FC yaitu sumbu x mengarah ke depan dan y ke kiri. Sedangkan, sistem koordinat pada kamera sumbu x mengarah ke kanan, sumbu y mengarah ke atas, dan sumbu z mengarah ke belakang. Jadi, nilai sumbu pada kamera yang akan digunakan yaitu, x sebagai -y. Grafik hasil dari pergerakan kamera ke samping kanan dapat dilihat pada gambar berikut:
Gambar 4.19 Grafik Percobaan Kesatu Pergerakan Kamera Ke Kanan Percobaan kesatu pada Gambar 4.19 menunjukan bahwa grafik pergerakan kamera saat ke samping kanan sejauh 2 m berada di sumbu x dengan nilai target tercapai. Nilai yang di dapatkan adalah x = 2.00 dengan nilai selisih dari target sebesar 0 cm.
Gambar 4.20 Grafik Percobaan Kedua Pergerakan Kamera Ke Kanan Percobaan kedua pada Gambar 4.20 menunjukan bahwa grafik pergerakan kamera saat ke samping kanan sejauh 2 berada di sumbu x dengan nilai target yang tidak tercapai. Nilai yang di dapatkan adalah x = 1.91 dengan nilai selisih dari target sebesar 9 cm.
y
0 2
-2
x 2
-2 -y -x
y
0 2
-2
x 2
-2 -y -x
Gambar 4.21 Grafik Percobaan Ketiga Pergerakan Kamera Ke Kanan Percobaan ketiga pada Gambar 4.21 menunjukan bahwa grafik pergerakan kamera saat ke samping kanan sejauh 2 m berada di sumbu x dengan nilai target yang tidak tercapai. Nilai yang di dapatkan adalah x = 2.09 dengan nilai selisih dari target sebesar -9 cm.
Gambar 4.22 Grafik Percobaan Keempat Pergerakan Kamera Ke Kanan Percobaan keempat pada Gambar 4.22 menunjukan bahwa grafik pergerakan kamera saat ke samping kanan sejauh 2 m berada di sumbu x dengan nilai target yang tidak tercapai. Nilai yang di dapatkan adalah x = 1.91 dengan nilai selisih dari target sebesar 9 cm.
y
0 2
-2
x 2
-2 -y -x
y
0 2
-2
x 2
-2 -y -x
Gambar 4.23 Grafik Percobaan Kelima Pergerakan Kamera Ke Kanan Percobaan kelima pada Gambar 4.23 menunjukan bahwa grafik pergerakan kamera saat ke samping kanan sejauh 2 m berada di sumbu x dengan nilai target yang tidak tercapai. Nilai yang di dapatkan adalah x = 1.96 dengan nilai selisih dari target sebesar 4 cm.
Berikut hasil pengujian dari seluruh grafik percobaan pergerakan kamera ke samping kiri dapat dilihat pada Tabel 4.4:
Tabel 4.5 Hasil Pengujian Pergerakan Kamera Ke Kanan
Percobaan ke-
Target Kamera Intel RealSense Selisih Error
-Y -Y -Y (cm) (%)
1 2 2.00 0 0%
2 2 1.91 9 4.5%
3 2 2.09 -9 -4.5%
4 2 1.91 9 4.5%
5 2 1.96 4 2%
Rata-Rata Kamera Intel RealSense
1.974
Rata-Rata Error 1.3%
y
0 2
-2
x 2
-2 -y -x
Nilai selisih pada Tabel 4.4 di dapatkan dari nilai target dikurang nilai kamera Intel RealSense, kemudian diubah menjadi centimeter (cm). Untuk mencari nilai error, rumus yang digunakan adalah sebagai berikut:
𝐸𝑟𝑟𝑜𝑟 =𝑇𝑎𝑟𝑔𝑒𝑡 − 𝐼𝑛𝑡𝑒𝑙 𝑅𝑒𝑎𝑙𝑅𝑒𝑛𝑠𝑒 𝑇265
𝑇𝑎𝑟𝑔𝑒𝑡 × 100%
Hasil rata-rata nilai pergerakan kamera ke samping kanan dari seluruh percobaan yang dilakukan adalah -y = 1.974 atau 197.4 cm dan rata-rata nilai error adalah 1.3% dengan nilai error tertinggi 4.5% pada percobaan kedua dan keempat, dan -4.5% pada percobaan ketiga, serta nilai error terendah 0% pada percobaan kesatu.
4.3 Hasil Pengujian Robot
Pengujian dilakukan di lapangan rumput berukuran 4 m x 4 m dengan posisi robot berada ditengah lapangan tersebut, kemudian robot akan berjalan maju ke depan, mundur ke belakang, ke samping kiri, dan ke samping kanan sejauh 2 m menuju ke pinggir lapangan. Posisi robot di dalam lapangan pengujian dapat dilihat pada Gambar 4.24 berikut:
Gambar 4.24 Posisi Robot pada Lapangan Pengujian
4.3.1 Pengujian 1
Pada pengujian ini, robot akan berjalan maju ke depan dengan target koordinat (-2, 0) atau sejauh 2 m dengan posisi awal berada di titik (x0, y0) berdasarkan pada sistem koordinat robot sepak bola humanoid Krakatau FC yaitu sumbu x mengarah ke depan dan y ke kiri. Sedangkan, sistem koordinat pada kamera sumbu x mengarah ke kanan, sumbu y mengarah ke atas, dan sumbu z mengarah ke belakang. Jadi, nilai sumbu pada kamera yang akan digunakan yaitu, -z sebagai x. Grafik hasil dari percobaan robot berjalan maju ke depan dapat dilihat pada gambar berikut:
Gambar 4.25 Grafik Percobaan Kesatu Robot Berjalan Maju
Percobaan kesatu pada Gambar 4.25 menunjukan bahwa grafik pergerakan robot saat berjalan maju ke depan sejauh 2 m berada di sumbu -z dengan nilai target yang tidak tercapai. Nilai yang di dapatkan adalah -z = -1.55 dengan nilai selisih dari target sebesar 45 cm.
-2 2 y
x -x
-2 2
-y 0
Gambar 4.26 Grafik Percobaan Kedua Robot Berjalan Maju
Percobaan kedua pada Gambar 4.26 menunjukan bahwa grafik pergerakan robot saat berjalan maju ke depan sejauh 2 m berada di sumbu -z dengan nilai target yang tidak tercapai. Nilai yang di dapatkan adalah -z = -1.58 dengan nilai selisih dari target sebesar 42 cm.
Gambar 4.27 Grafik Percobaan Ketiga Robot Berjalan Maju
Percobaan ketiga pada Gambar 4.27 menunjukan bahwa grafik pergerakan robot saat berjalan maju ke depan sejauh 2 m berada di sumbu -z dengan nilai target yang tidak tercapai. Nilai yang di dapatkan adalah -z = -0.01 dengan nilai selisih dari target sebesar 199 cm.
-2 2 y
x -x
-2 2
-y 0
-2 2 y
x -x
-2 2
-y 0
Gambar 4.28 Grafik Percobaan Keempat Robot Berjalan Maju Percobaan keempat pada Gambar 4.28 menunjukan bahwa grafik pergerakan robot saat berjalan maju ke depan sejauh 2 m berada di sumbu -z dengan nilai target yang tidak tercapai. Nilai yang di dapatkan adalah -z = -1.12 dengan nilai selisih dari target sebesar 88 cm.
Gambar 4.29 Grafik Percobaan Kelima Robot Berjalan Maju
Percobaan kelima pada Gambar 4.29 menunjukan bahwa grafik pergerakan robot saat berjalan maju ke depan sejauh 2 m berada di sumbu -z dengan nilai target yang tidak tercapai. Nilai yang di dapatkan adalah -z = -1.26 dengan nilai selisih dari target sebesar 74 cm.
Berikut hasil pengujian dari seluruh grafik percobaan robot berjalan maju ke depan dapat dilihat pada Tabel 4.5:
-2 2 y
x -x
-2 2
-y 0
-2 2 y
x -x
-2 2
-y 0
Tabel 4.6 Hasil Pengujian Robot Berjalan Maju
Percobaan ke-
Target Kamera Intel RealSense Selisih Error
X X X (cm) (%)
1 -2 -1.55 45 22.5%
2 -2 -1.58 42 21%
3 -2 -0.01 199 99.5%
4 -2 -1.12 88 44%
5 -2 -1.26 74 37%
Rata-Rata Kamera Intel RealSense
-1.104
Rata-Rata Error 44.8%
Nilai selisih pada Tabel 4.5 di dapatkan dari nilai target dikurang nilai kamera Intel RealSense, kemudian diubah menjadi centimeter (cm). Untuk mencari nilai error, rumus yang digunakan adalah sebagai berikut:
𝐸𝑟𝑟𝑜𝑟 = 𝑇𝑎𝑟𝑔𝑒𝑡 − 𝐾𝑎𝑚𝑒𝑟𝑎 𝐼𝑛𝑡𝑒𝑙 𝑅𝑒𝑎𝑙𝑆𝑒𝑛𝑠𝑒
𝑇𝑎𝑟𝑔𝑒𝑡 × 100%
Hasil rata-rata nilai kamera pada robot saat berjalan maju ke depan dari seluruh percobaan yang dilakukan adalah x = -1.104 atau 110.4 cm dan rata-rata nilai error adalah 44.8% dengan nilai error tertinggi 99.5% pada percobaan ketiga, serta nilai error terendah 21% pada percobaan kedua.
4.3.2 Pengujian 2
Pada pengujian ini, robot akan berjalan mundur ke belakang dengan target koordinat (2, 0) atau sejauh 2 m dengan posisi awal berada di titik (x0, y0) berdasarkan pada sistem koordinat robot sepak bola humanoid Krakatau FC yaitu
sumbu x mengarah ke depan dan y ke kiri. Sedangkan, sistem koordinat pada kamera sumbu x mengarah ke kanan, sumbu y mengarah ke atas, dan sumbu z mengarah ke belakang. Jadi, nilai sumbu pada kamera yang akan digunakan yaitu, z sebagai -x. Grafik hasil dari percobaan robot berjalan mundur ke belakang dapat dilihat pada gambar berikut:
Gambar 4.30 Grafik Percobaan Kesatu Robot Berjalan Mundur Percobaan kesatu pada Gambar 4.30 menunjukan bahwa grafik pergerakan robot saat berjalan mundur ke belakang sejauh 2 m berada di sumbu z dengan nilai target yang tidak tercapai. Nilai yang di dapatkan adalah z = 1.80 dengan nilai selisih dari target sebesar 20 cm.
Gambar 4.31 Grafik Percobaan Kedua Robot Berjalan Mundur Percobaan kedua pada Gambar 4.31 menunjukan bahwa grafik pergerakan
-2 2 y
x -x
-2 2
-y 0
-2 2
