Hasil Pencarian  ::  Simpan CSV :: Kembali

"Permasalahan tentang robot sepak bola saat ini sudah masuk pada tahap penggunaan koordinasi multi agent karena melibatkan banyak robot. Swarm merupakan salah satu dari banyak konsep multiagen communication dan coordination. Swarm membahas tentang koordinasi yang didasarkan pada prilaku sekumpulan serangga yang saling bekerja sama dalam mencapai tujuan yaitu mendeteksi makanan dan jalur migrasi. Hal ini dituangkan dalam permainan sepak bola dimana beberapa robot akan saling bekerja sama untuk mendeteksi target berupa bola dan membawanya ke gawang lawan dengan saling bekerja sama. Strategi pergerakan yang diberikan mengadopsi konsep Particle Swarm Optimization yang diimplementasikan untuk mencapai efisiensi yang lebih baik untuk mencapai tujuan yaitu mencetak lebih banyak gol ke gawang lawan. Hasil dari penelitian ini menunjukkan bahwa swarm dapat digunakan dengan baik untuk melakukan koordinasi dalam pencarian bola dan pengambilan keputusan untuk mengeksekusi bola pada simulasi robot sepak bola.

---

Current problems about soccer robots already entered at this stage is using of multi agent coordination because it involves many robots. Swarm is one of the many concepts of multi agent communication and coordination. Coordination of Swarm based on the behavior of a group of insects that cooperate to achieving the goals, namely to detect food and migration routes. And these are poured in a football game where some robots will mutually cooperate to detect targets in this case is ball and took it to the opponent gates with mutually cooperate. The given movement strategy adopted the concept of Particle Swarm Optimization implemented in order to achieve a better efficiency to achieve a goal that is scored more goals to the opponent. The results of this research show that the swarm can be used well to do coordination in the search sphere and decision making to execute the ball on a simulated of soccer robot."

"Computer vision merupakan cabang dari bidang ilmu kecerdasan buatan yang mempelajari bagaimana sebuah komputer dapat memahami suatu gambar yang diberikan. Salah satu contoh nyata dari penerapan computer vision adalah pengenalan objek bola pada robot sepak bola. Salah satu tantangan yang dapat menyulitkan robot dalam mendeteksi bola adalah warna bola yang sebagian besar berwarna putih. Hal ini menjadi tantangan karena warna putih sangat rentan terhadap noise. Metode tradisional yang hanya dapat mendeteksi satu bentuk saja tidak cukup untuk memenuhi kebutuhan tersebut, karenanya digunakan pendeteksian berdasarkan machine learning. Salah satu metode pengenalan objek berdasarkan machine learning yang sering digunakan adalah metode Jaringan Saraf Tiruan. Pada tulisan ini, sistem penglihatan robot sepak bola untuk mengenali objek bola dirancang menggunakan metode jaringan saraf tiruan dengan library pengolahan citra OpenCV dalam bahasa pemrograman C++. Berdasarkan pengujian kinerja sistem dalam mendeteksi bola pada gambar mendapatkan nilai accuracy sebesar 0.9987, nilai precision sebesar 0.8055, nilai recall sebesar 0.7, dan FPS sebesar 6. Sedangkan kinerja sistem pembanding dengan menggunakan SVM pada dataset yang sama mendapatkan nilai accuracy sebesar 0.988, nilai precision sebesar 0.167, nilai recall sebesar 0.966, dan FPS sebesar 7,7. Setelah kedua metode dibandingkan dapat disimpulkan bahwa metode jaringan saraf tiruan dapat mendeteksi bola lebih akurat berdasarkan nilai F-Score yang didapatkan yaitu 0.749 pada sistem yang dibuat berbanding dengan 0.285 pada sistem pembanding, namun memerlukan waktu proses yang lebih lama.

---

Computer vision is a branch of the field of artificial intelligence that studies how a computer can understand a given image. An example of the application of computer vision is detecting a ball object on a soccer robot. One of the challenges that can make it difficult for the robot to detect the ball is the color of the ball, which is mostly white. This becomes a challenge because white is very susceptible to noise. Traditional methods that can only detect one form are not sufficient to meet these needs, therefore detection based on machine learning is used. One of the object detection methods based on machine learning that is often used is the Artificial Neural Network method. In this paper, the system to detect ball object is implemented using an artificial neural network method with the OpenCV image processing library in the C ++ programming language. Based on testing the performance of the system at detecting ball have the accuracy value of 0.9987, precision value of 0.8055, recall value of 0.7, and FPS of 6. While the performance of the comparison system using SVM on the same dataset gets accuracy value of 0.988, precision value of 0.167, recall value of 0.966, and FPS of 7.7. After the two methods were compared, it can be concluded that the artificial neural network method can detect the ball more accurately based on the F-Score value obtained, which is 0.749 compared to 0.285, but it requires a longer processing time"