Damayanti, Aura (2026) Rancang Bangun Sistem Navigasi Robot Mobile dengan Pengambilan Keputusan Berbasis Reinforcement learning pada Lingkungan Multijalur Menggunakan Algoritma Q-Learning. Undergraduate thesis, Universitas Diponegoro.

	Text COVER_Aura Damayanti_40040322650062_TRO_TA.pdf - Published Version Download (9MB)
	Text BAB I_Aura Damayanti_40040322650062_TRO_TA.pdf Download (549kB)
	Text BAB II_Aura Damayanti_40040322650062_TRO_TA.pdf - Published Version Download (218kB)
	Text BAB III_Aura Damayanti_40040322650062_TRO_TA.pdf - Published Version Download (2MB)
	Text BAB IV_Aura Damayanti_40040322650062_TRO_TA.pdf - Published Version Download (2MB)
	Text BAB V_Aura Damayanti_40040322650062_TRO_TA.pdf - Published Version Download (237kB)
	Text DAFTAR PUSTAKA_Aura Damayanti_40040322650062_TRO_TA.pdf - Published Version Download (184kB)
	Text LAMPIRAN_Aura Damayanti_40040322650062_TRO_TA.pdf - Published Version Restricted to Repository staff only Download (579kB) | Request a copy
	Text FULL PAGE_AURA DAMAYANTI_40040322650062_TRO_TA.pdf - Published Version Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Perkembangan otomasi industri meningkatkan kebutuhan robot mobile yang mampu melakukan navigasi secara mandiri tanpa bergantung pada garis pandu fisik. Salah satu metode yang dapat digunakan untuk menghasilkan keputusan navigasi adalah Reinforcement Learning menggunakan algoritma Q-Learning. Penelitian ini bertujuan merancang dan mengimplementasikan sistem navigasi robot mobile berbasis Q- Learning serta mengevaluasi implementasi policy hasil pembelajaran pada robot nyata. Proses pelatihan dilakukan pada lingkungan simulasi berbentuk grid berukuran 7 × 5 dengan representasi state, action, dan reward yang dibangun berdasarkan posisi robot, orientasi dari sensor MPU6050, dan tujuan navigasi, sedangkan sensor proximity digunakan sebagai safety layer untuk menghentikan robot ketika mendeteksi halangan. Policy yang dihasilkan kemudian diimplementasikan pada robot mobile berbasis Raspberry Pi 3 Model B sebagai pengendali tingkat tinggi dan Arduino Mega 2560 Pro sebagai pengendali aktuator. Hasil pelatihan menunjukkan bahwa algoritma Q-Learning berhasil mencapai konvergensi setelah 1000 episode dengan reward maksimum sebesar 338
dan jumlah langkah minimum sebanyak 29 langkah. Pengujian Hall Effect Encoder menghasilkan rata-rata encoder estimation error sebesar 3,57%, sedangkan sistem menghasilkan endpoint motion error sebesar 1,30% terhadap target perpindahan
satu grid, sedangkan pengujian MPU6050 memperoleh nilai Mean Absolute Error (MAE) heading sebesar 0,86°. Hasil implementasi menunjukkan bahwa robot mampu menjalankan policy sesuai Q-Table dan berhasil mencapai seluruh tujuan
pengujian. Meskipun masih terdapat sedikit penyimpangan posisi akibat fluktuasi pembacaan heading selama navigasi, hasil penelitian membuktikan bahwa algoritma Q-Learning dapat diterapkan sebagai metode pengambilan keputusan
navigasi pada robot mobile di lingkungan terstruktur.

Actions (login required)

View Item