Perpustakaan Digital ITB

Sebagai salah satu negara yang terletak pada ring of fire, Indonesia memiliki banyak sekali gunung api yang masih aktif. Hal ini perlu diwaspadai apabila sewaktu-waktu terjadi letusan gunung api. Oleh sebab itu, diperlukan adanya monitoring gunung api sebagai upaya antisipasi adanya bencana. Ketika gunung api mengalami erupsi, area tertentu akan dibatasi supaya tidak bisa dilewati manusia. Oleh karena itu, dibutuhkan suatu perangkat pengamatan jarak jauh di area gunung api sehingga observasi daerah bencana dapat dilakukan dengan aman. Observasi ini dapat dilakukan dengan menggunakan mobile robot 4 roda untuk eksplorasi sekaligus monitoring kondisi gunung api. Pada penelitian ini, digunakan sebuah mobile beroda 4 yang diberi nama PRAWIRA (Perangkat Kendaraan Tanpa Awak untuk Wilayah Rawan). Dalam proses monitoring yang dilakukan oleh mobile robot, dibutuhkan suatu kemampuan agar ketika robot berjalan tidak menabrak benda yang ada di depannya atau lebih dikenal dengan istilah obstacle avoidance. Pada penelitian ini, telah dilakukan proses perancangan sistem real-time object detection pada mobile robot untuk monitoring gunung api dengan menggunakan deep learning pada model YOLOv5 yang menggunakan 4 objek deteksi pada pengetesan pertama yaitu tree, person, stairs dan stone. Dalam proses train, digunakan total sebanyak 484 gambar dengan dataset yang berasal dari internet dengan menggunakan Open Images V6 untuk person, tree serta stairs dan Google Chrome Extension untuk mengunduh stone pada percobaan pertama. Pada pengetesan selanjutnya, digunakan hanya 2 objek tree dan stone untuk sekitar 400 gambar sesuai dengan aplikasinya di lapangan. Dalam proses perancangan sistem ini dilakukan beberapa tahapan diantaranya adalah identifikasi objek apa saja yang akan di hindari di lapangan, pengumpulan dataset untuk objek tree dan stone untuk percobaan tahap dua dengan menggunakan gambar yang dipilih secara manual dari internet melalui Google Chrome dan dataset yang langsung diambil di lapangan (Gunung Tangkuban Perahu), proses pelabelan gambar dengan menggunakan labelImg, proses augmentasi yang berfungsi untuk memvariasikan gambar objek seperti blur dan crop, training data yang dilakukan dengan memvariasikan batch dan epochs melalui jupyter notebook GPU hingga diperoleh hasil yang paling optimal, dan selanjutnya akan diimplementasikan secara langsung pada mobile robot dengan menggunakan sistem operasi raspberry pi 3 sebagai indra penglihatan pada mobile robot yang dapat mendeteksi objek yang telah dilatih dengan menggunakan kamera USB. Pengetesan pertama dilakukan dengan variasi: batch=16 dengan epochs=100, batch=16 dengan epochs=500, batch=80 dengan epochs=100 dan batch=80 dan epochs=500. Hasil terbaik diperoleh pada saat variasi batch=16 dengan epochs=500 dengan mAP.5=24.4% dan 12.6%. Sementara itu, pada pengetesan kedua dimana dataset diambil dari internet, dilakukan variasi epochs 100, 300 dan 500 secara berurutan dengan batch =16. Hasil terbaik diperoleh pada saat variasi batch=16 dengan epochs=500 dimana mAP.5=59.9% dan mAP.5:.95=37.6%. Selanjutnya, dilakukan pengetesan yang sama untuk dataset dari Gunung Tangkuban Perahu dengan variasi epochs 100, 300 dan 500 secara berurutan dengan batch =16. Hasil terbaik diperoleh pada saat variasi batch=16 dengan epochs=500 dimana mAP.5=63.4% dan mAP.5:.95=40.4%. Hasil dari pelatihan terbaik ini digunakan untuk pengetesan model secara langsung dalam skala laboratorium dan lapangan dengan menggunakan Raspberry Pi dalam bentuk gambar, meskipun masih ada beberapa objek yang tidak terdeteksi. Selanjutnya, Raspberry Pi membutuhkan waktu sekitar 30 detik, sedangkan PC/Personal Computer hanya sekitar 3 detik untuk mendeteksi objek-objek tersebut.