Sistem Navigasi Cerdas Robot Pengantar Makanan Dengan Pendekatan Machine Learning
Abstract
Perkembangan teknologi otomasi telah membawa dampak signifikan di berbagai sektor, termasuk layanan restoran. Salah satu inovasi yang mulai banyak diterapkan adalah robot pengantar makanan untuk meningkatkan efisiensi dan ketepatan pelayanan. Namun, penerapan robot dalam lingkungan restoran yang dinamis menghadirkan tantangan tersendiri, seperti perubahan posisi meja, pergerakan pelanggan, serta tata ruang yang bervariasi. Untuk mengatasi kendala tersebut, dikembangkan sistem navigasi cerdas berbasis Machine Learning yang mampu melakukan pemetaan lingkungan secara real-time menggunakan sensor RPLiDAR dan metode SLAM (Simultaneous Localization and Mapping). Proses pemetaan dan pengolahan data dilakukan oleh Raspberry Pi, sementara perencanaan jalur dilakukan dengan algoritma K-Nearest Neighbors (KNN) untuk pengenalan lingkungan dan Breadth-First Search (BFS) untuk pencarian rute terbaik. Jalur kemudian disempurnakan dengan teknik smoothing untuk memastikan pergerakan robot yang mulus. Hasil pengujian menunjukkan bahwa sistem mampu memetakan dua lingkungan berbeda dengan akurasi 99,55% dan akurasi lokalisasi sebesar 99,29% dari 30 titik uji. Rata-rata deviasi pengukuran kurang dari 5 cm, dan robot mampu bergerak stabil pada kecepatan ±0,3 m/s serta menghindari rintangan tanpa tabrakan. Sistem ini terbukti meningkatkan efektivitas dan keandalan robot pengantar makanan dalam menghadapi dinamika lingkungan restoran.
Kata kunci — navigasi robot, machine learning, SLAM, RPLIDAR, robot pengantar makanan.
References
Marche, “Making robot delivery a reality,” Marche Mates, Oct. 2, 2024. [Online]. Available: h ttps://marchemates.ca/making-robot-delivery-a-reality
ScaleZone Technologies, “The power of restaurant automation.” [Online]. Available: https://www.scalezonetech.com/the-power-of-restaurant-automation
F. Rifqy, N. Gebby, and R. Muhammad, Buku Tugas Akhir Capstone Design: Mobilisasi Robot Pengantar Makanan Berbasis Odometry dan QR Detection, Bandung, Indonesia: Self-published, Dec. 2023.
Parenrengi, K. M. (2021). Rancang Bangun Prototype Alat Pengantar Makanan Pada Rumah Makan. ” J. MOSFET, vol. 1, no. 2, 2021.
B. K. Nugraha, A. S. Santia, Z. Aurellia, P. Pangaribuan, and I. M. Rodiana, “Robot pengantar makanan berbasis line follower dengan sensor warna TCS3200 dan Internet of Things (IoT),” JIIP – J. Ilm. Ilmu Pendidik., vol. 6, no. 11, pp. 8928–8933, 2023, [Online]. Available: https://doi.org/10.54371/jiip.v6i11.2774
M. A. Maulana, et al., “Autonomous mobile robot dengan menggunakan metode Simultaneous Localization and Mapping berbasis LIDAR,” in Proc. Sem. Nas. Inovasi Teknol. Terapan, Politeknik Manufaktur Negeri Bangka Belitung, 2022.
Y. Louise, et al., “Mapping dan navigasi untuk robot pengantar makanan di restoran berbasis ROS,” Techné: J. Ilm. Elektroteknika, vol. 22, no. 1, pp. 111–128, 2023.
Dicoding Indonesia, “Machine Learning Adalah: Pengertian, Cara Kerja, dan Contohnya,” Dicoding Blog, Sep. 22, 2022. [Online]. Available: https://www.dicoding.com/blog/machine-learning-adalah/
D. Tamara, “BFS (Breadth First Search): Pengertian, Kekurangan, Kelebihan dan Contohnya,” Medium, Mar. 17, 2023. [Online]. Available: https://medium.com/@defytamara2610/bfs-breadth-first-search-pengertian-kekurangan-kelebihan-dan-contohnya-775a7d808fbc
