View/Open

Author
Yusuf, Naufal

Date Published
24 Aug 2026

Advisor
Dr. Vera Khoirunisa, S.Si., M.T.,
Al Barra Harahap, S.Si, M.Si.,

Subject
Teknik Fisika

Publisher

Pengembangan sistem navigasi otonom pada automated guided vehicle (AGV) intralogistik berbasis computer vision menjadi solusi untuk mengatasi keterbatasan sistem kendali konvensional yang kaku. Penelitian ini bertujuan untuk mengintegrasikan dan menguji performa sistem navigasi computer vision berbasis deep learning menggunakan arsitektur convolutional neural network (CNN) PilotNet yang diadaptasi dengan fungsi aktivasi ELU dan optimasi Adam pada single-board computer Raspberry Pi 5. Dataset masukan diselaraskan melalui metode binning untuk menyisakan 9.271 sampel citra seimbang dari total 47.629 citra mentah, kemudian dilatih pada variasi 100, 150, dan 200 epoch yang menghasilkan penurunan galat mean squared error (MSE) dari 0,0764 menjadi 0,0616 serta nilai R² Score sebesar 0,7727 hingga 0,8195. Hasil pengujian track-keeping real-time sebanyak 20 kali pengulangan pada lintasan tertutup dengan variasi geometri (lurus, kurva, diagonal, dan tikungan 90°) menunjukkan tingkat keberhasilan navigasi sebesar 40,00% hingga 50,00

URI
https://repo.itera.ac.id/depan/submission/SB2608300005

Keyword
Automated Guided Vehicle (AGV) Computer Vision Convolutional Neural Network (CNN) End-to-End Learning Raspberry Pi