digilib@itb.ac.id +62 812 2508 8800

ABSTRAK Delia Fatimazahra
PUBLIC Open In Flipbook Esha Mustika Dewi

Simultaneous Localization and Mapping (SLAM) memungkinkan robot memetakan lingkungan dan menentukan posisinya secara bersamaan di lingkungan yang belum diketahui. Robot memerlukan peta untuk menentukan posisinya, sementara peta dapat dibangun apabila estimasi posisi robot diketahui. Penelitian ini mengevaluasi dua pendekatan SLAM berbasis probabilistik, yaitu Extended Kalman Filter SLAM (EKF-SLAM) dan Rao-Blackwellized Particle Filter SLAM (RBPF-SLAM). Data diperoleh dari mobile robot Rosmaster X3 dengan sistem penggerak roda Mecanum. Robot dilengkapi dengan sensor Light Detection and Ranging (LiDAR) dan encoder sebagai data odometri. Pengujian dilakukan pada tiga lingkungan indoor, yaitu Laboratorium Sistem Kendali dan Komputer (LSKK), Koridor LSKK, dan Laboratorium Sistem Kendali. Hasil penelitian menunjukkan bahwa RBPF-SLAM secara konsisten menghasilkan RMSE trajektori yang lebih rendah dibandingkan EKF-SLAM pada ketiga lingkungan pengujian. Pada LSKK, RBPF-SLAM menghasilkan RMSE sebesar 0,2401 m, lebih rendah dibandingkan EKF-SLAM sebesar 0,4397 m. Pada koridor, RMSE RBPF-SLAM sebesar 0,2021 m, lebih rendah dibandingkan RMSE EKFSLAM sebesar 0,2293 m. Pada laboratorium sistem kendali, RMSE RBPF-SLAM sebesar 0,1733 m, lebih rendah dibandingkan RMSE EKF-SLAM yaitu 0,1919 m. Dari aspek kompleksitas komputasi, EKF-SLAM memiliki orde ????(????2) sedangkan RBPF-SLAM memiliki orde ????(???? x ????????????????????????????????????), sehingga RBPF-SLAM memiliki orde pertumbuhan yang lebih rendah dibandingkan EKF-SLAM. Namun, keunggulan tersebut disertai dengan waktu eksekusi yang lebih lama karena RBPFSLAM memperbarui landmark secara independen untuk setiap partikel, sedangkan EKF-SLAM menggunakan satu representasi peta tunggal untuk seluruh landmark. Waktu eksekusi RBPF-SLAM pada LSKK, koridor, dan laboratorium sistem kendali secara berturut-turut adalah 97,09 detik, 195,8 detik, dan 150,65 detik. Sedangkan waktu eksekusi EKF-SLAM secara berturut-turut adalah 80,36 detik, 189,7 detik, dan 60,88 detik. Perbedaan waktu total antar lingkungan juga ditentukan oleh jumlah scan yang diproses, yaitu 3296 scan pada laboratorium sistem kendali, 4180 scan pada LSKK, dan 5240 scan pada koridor LSKK. 2 Jumlah landmark yang dihasilkan pada lingkungan LSKK adalah 28 landmark pada EKF-SLAM dan 25 landmark pada RBPF-SLAM. Lingkungan koridor menghasilkan landmark paling banyak, yaitu 38 landmark pada EKF-SLAM dan 29 landmark pada RBPF-SLAM. Laboratorium sistem kendali menghasilkan landmark paling sedikit, yaitu 19 landmark pada EKF-SLAM dan 15 landmark pada RBPF-SLAM. Pada ketiga lingkungan tersebut, EKF-SLAM menghasilkan jumlah landmark yang lebih banyak dibandingkan RBPF-SLAM. Penelitian ini diharapkan dapat memberikan kontribusi dalam menentukan metode SLAM berdasarkan karakteristik dan kebutuhan robot, khususnya dalam mempertimbangkan akurasi trajektori dan efisiensi komputasi, serta menjadi dasar pengembangan lebih lanjut untuk meningkatkan performa algoritma EKF-SLAM dan RBPF-SLAM pada lingkungan indoor.