Perpustakaan Digital ITB

Laporan Tugas Akhir ini mengkaji pengembangan model Deep Q-learning (DQL) berbasis Convolutional Neural Network (CNN) untuk simulator path planning. Path planning merupakan proses pencarian rute optimal yang bebas tabrakan dari titik awal ke titik akhir dalam suatu lingkungan. Metode Q-learning yang digunakan dalam path planning tradisional sering mengalami kendala dalam penyimpanan Q- table yang besar seiring bertambahnya jumlah state dan aksi. Untuk mengatasi permasalahan ini, digunakan metode DQL yang memanfaatkan neural network untuk menggantikan Q-table. Penelitian ini bertujuan membangun model DQL dengan arsitektur CNN dan membandingkannya dengan arsitektur Feed Forward Neural Network (FFNN). CNN dipilih karena kemampuannya dalam mengenali pola spasial yang ada dalam lingkungan simulasi dibandingkan FFNN. Penelitian ini kedua model DQL, yaitu FFNN dengan metode berbasis Sumarudin dkk. (2023) dan CNN dengan metode gambar sebagai solusi. Hasil eksperimen dilakukan dua tahap yaitu pelatihan dan pengujian untuk satu maze dan sepuluh maze. Untuk satu maze, nilai success rate model FFNN 0.846 untuk pengujian melampaui kinerja model CNN. Untuk sepuluh maze, nilai success rate model CNN sebesar 0.5040 untuk pengujian melampaui kinerja model FFNN. Hasil eksperimen menunjukkan bahwa model FFNN memiliki kinerja yang lebih baik pada pengujian satu maze, namun pada pengujian sepuluh maze, model CNN memiliki kinerja yang lebih baik. Penelitian ini memberikan saran untuk eksplorasi lebih lanjut pada pengujian dengan maze yang selalu berubah dan optimasi hyperparameter untuk mendapatkan kinerja model yang lebih efektif.