Perpustakaan Digital ITB

Pada riset ini telah dikombinasikan antara sensor node dengan mobile robot dan UAV untuk mengamati gunung api sehingga erupsi bisa dideteksi lebih dini untuk mengurangi dampak yang ditimbulkannya. Sensor node menggunakan sensor TGS-2602 (SO2), MG-811 (CO2), DHT-11 (suhu), ADXL-345 (sesmisitas) dan MPU-6050 (pergeseran tanah), dilengkapi juga dengan solar panel controller untuk catu daya, WiFi ESP-8266 dan LoRa-02 untuk komunikasi data, serta Raspberry Pi untuk mengolah data dan menentukan status gunung api dengan fuzzy logic di bagian stasiun kontrol. Sistem kemudian dites di laboratorium. Sel surya bisa menghasilkan tegangan 18,81 volt dan arus 0,2 ampere. Sensor suhu telah dikalibrasi hingga pengukuran 51oC, sedangkan sensor gas bisa mendeteksi gas sampai konsentrasi 8 ppm. Setelah analisis FFT sensor seismik mendeteksi frekuensi kegempaan hampir nol dengan offset sumbu X, Y dan Z adalah 0,168 m/s2 , 0,0168 m/s2 dan 1.125 m/s2 secara berurutan. Selanjutnya, kesalahan dalam pengukuran pergeseran tanah sebesar maksimum 4o kemiringan tanah. Berikutnya, PER pada komunikasi data dengan LoRa sejauh 400 m hanya maksimum 4%. Status gunung api normal menuju waspada kemudian ditentukan dari simulasi kontrol fuzzy dengan data SO2 sebesar 4 ppm, CO2 500 ppm, suhu 36oC, seismisitas 2 Hz dan pergeseran tanah 0o . Selanjutnya, sistem sensor ini dites di Gunung Kelud, Tangkuban Parahu dan Guntur (gunung stratovolcano tipe A). Gas SO2 terdeteksi di bawah 1 ppm, sedangkan gas CO2 hanya diukur di Gunung Kelud sebesar 0,306 – 0, 3 ppm. Selanjutnya, terdeteksi hanya 1 Hz (0,32 gRMS) gelombang seismik di Gunung Kelud, sedangkan tidak ada gelombang seismik yang terdeteksi di Gunung Tangkuban Parahu dan Gunung Guntur. Suhu berkisar antara 23 – 35 oC. Dengan data-data sensor ini sebagai input pada kontrol fuzzy untuk penentuan status gunung api, maka didapat status gunung api normal pada ketiganya. Selanjutnya, mobile robot yang memiliki sensor monitoring yang sama, digerakkan dengan motor DC 24 volt (PG 28) dengan mekanisme skid-steering dan PID controller pada mikrokontroler STM32 Nucleo F446RE yang terhubung dengan pengontrol utama Raspberry Pi 3 untuk pengontrolan kecepatan serta ROS dan RTOS. Pengontrol PID telah berhasil diaplikasikan pada robot dengan deviasi 2,5% untuk motor sebelah kiri dan 2,75% untuk motor sebelah kanan. Selanjutnya, dilakukan simulasi gerak robot di MATLAB menggunakan algoritma near-optimal navigation sehingga robot bisa melewati beberapa waypoints yang dihasilkan dari high-level planner, dan lintasan yang sebenarnya yang diikuti oleh low-level navigation layer sambil menghindari rintangan. Robot kemudian dites di laboratorium pada permukaan lantai rata serta di lapangan berumput dan berhasil sampai di tujuan yang diinginkan sambil menghindari 1 dan 2 rintangan secara otomatis sama seperti ketika dites di Gunung Tangkuban Parahu dengan permukaan tidak rata berlumpur serta berbatu. Sebelum mobile robot menghindari rintangan, rintangan tersebut harus dideteksi terlebih dahulu oleh robot menggunakan algoritma deep learning dari model YOLOv5s untuk empat objek (pohon, orang, batu dan tangga) pada tahap awal dengan empat variasi model dengan variasi terbaik (batch = 16, epochs = 500) menghasilkan mAP_0.5 = 25.7% dan mAP_0.5:0.95 = 12.3%, Proses deteksi dilanjutkan untuk pohon dan batu di gunung Tangkuban Parahu untuk batch=16 dengan tiga variasi epoch (100, 300 dan 500). Variasi terakhir memberikan hasil terbaik untuk mAP_0.5 dan mAP_0.5:0.95 (63.4% dan 40.4% secara berurutan) dan loss yang hampir nol. Model ini kemudian dites di gunung Tangkuban Parahu dan menunjukkan 90,9% recall, 79% precission dan 91,5% akurasi. Sementara itu, data dari sensor monitoring pada mobile robot menunjukkan status gunung Tangkuban Parahu, Guntur, Merapi dan Galunggung (gunung stratovolcano tipe A) yang normal dari hasil logika fuzzy, dengan SO2 (0 – 0,639 ppm), CO2 (0 – 0,219), seismik (0 - 2 Hz pada 0,05 gRMS), suhu (18,65 – 31,25oC) serta kecepatan pergeseran tanah (0,010 – 0,085 o /s) dalam batas normal. Peta yang dihasilkan dari UAV (DJI Phantom 4 Pro) yang diolah dengan 3D survey, Pix4D dan Agisoft sebagai sistem ketiga menunjukkan resolusi dalam beberapa cm, dengan kesalahan total antara 0- 8 meter untuk area 20.000-545.000 m2 yang diamati pada kondisi cuaca berbeda, wilayah kampus ITB Ganesha dan kelima gunung sampel sehingga mampu membedakan bagian vegetatif dan nonvegetatif secara detail. Selanjutnya, kesalahan RMS menunjukkan akurasi horizontal beberapa cm dengan tingkat kepercayaan 95%.