RANCANG BANGUN OBSTACLE AVOIDANCE PADA AUTONOMOUS

MOBILE ROBOT MENGGUNAKAN POWERED STEERING WHEEL

SEBAGAI MEDIA PEMBELAJARAN ROBOTIKA
PADA JENJANG DIPLOMA IV

Trysal Akbar F.P., Dr. Noval Lilansa, Dipl.Ing (FH)., M.T., Nur Wisma Nugraha, S.T., M.T.
Jurusan Teknik Mesin dan Manufaktur, Konsentrasi Teknik Elektromekanik
Politeknik Manufaktur Bandung
Jl Kanayakan No. 21 – Dago, Bandung - 40135
Phone/Fax : (022) 250 0241 / 250 2649
Email: rifqi.muzhafar@gmail.com

ABSTRAK

Autonomous mobile robot sudah menjadi teknologi yang tidak asing lagi bagi umat manusia, pasalnya
teknologi ini sangat membantu pekerjaan manusia karena mobilitas yang tinggi dan penggunaan yang praktis.
Penggunaan roda spesial juga sangat berpengaruh terhadap kemampuan bermanuver robot, roda spesial seperti
mecanum wheel dan omniwheel memungkinkan robot dapat bergerak ke segala arah tanpa harus mengubah
orientasi robot. Tetapi, pada praktiknya penggunaan jenis roda ini memiliki beberapa kekurangan, diantaranya
adalah berkurangnya kapasitas beban yang dapat ditopang dan sangat sensitif terhadap bidang kontak yang tidak
rata. Maka dari itu digunakan konfigurasi roda powered steering wheel, dimana konfigurasi ini menggunakan roda
biasa dengan mekanisme tambahan sehingga dapat mencakup semua kemampuan roda spesial tanpa harus
mengurangi kapasitas beban ataupun meningkatkan sensitifitas terhadap bidang kontak yang tidak rata.
Tugas akhir ini bertujuan untuk merancang dan mengimplementasikan autonomous mobile robot dengan
menggunakan mekanisme roda powered steering wheel, dimana didalamnya terdapat behavior control yang
diterapkan pada sistem obstacle avoidance. Robot yang dibuat dimaksudkan untuk bekerja pada skala laboratorium,
dimana robot ini dapat digunakan sebagai alat bantu pembelajaran interaktif sehingga proses pembelajaran
berpusat pada pengguna aplikasi. Pengguna dituntut untuk berkesperimen menggunakan robot dengan antarmuka
yang telah dibuat sehingga peserta ajar dapat lebih cepat memahami cara kerja robot baik itu dari segi sistem
kendali, aktuator maupun pembacaan sensor
Hasil pengujian pada sistem persepsi, robot dapat mendeteksi obstacle pada setiap titik disekitarnya tanpa
adanya blind spot dengan syarat minimal lebar obstacle 4 cm dan tinggi 20 cm. Kemudian pada sistem kendali
gerak, robot dapat bergerak dengan sudut pergerakan sesuai dengan orientasi yang diberikan mulai dari sudut 0°
sampai 360° dengan ketelitian steering sebesar 0.29°. pada sistem kognitif, robot dapat bergerak sesuai dengan
behavior yang ditentukan oleh pengguna, robot dapat menghindari obstacle dengan sudut pergerakan 0°, 30°, 60°,
120°, 150°, 180°, dan 270°.

Kata Kunci:
Autonomous mobile robot, Powered Steering Wheel, Sistem kendali cerdas, LabVIEW 2014, Behavior control,
Map-based control, Interactive learning.

I. PENDAHULUAN digunakan untuk berbagai macam keperluan, beberapa

Robotika menjadi salah satu ilmu pengetahuan
dan teknologi yang berkembang pesat dan telah
banyak pemanfaatannya dalam berbagai bidang. Salah
satu contoh pemanfaatannya adalah Autonomous
Mobile Robot (AMR). AMR adalah suatu robot yang
dapat beradaptasi pada suatu lingkungan dengan
memanfaatkan pengukuran dari sensor-sensor yang
digunakan [1]. Pada saat ini AMR sudah banyak
diantaranya adalah sebagai alat penelitian (BIBA by
BlueBotics), transportasi barang (AGV by
SWISSLOCK), alat pembantu pekerjaan rumah tangga
(Robot40 by Cleanfix) dan juga digunakan sebagai
robot penjelajah (Sojourner by NASA) di Mars pada
tahun 1997 [1]. Oleh karena itu, sistem navigasi
menjadi bagian terpenting dari AMR, dimana robot
harus dapat mengambil keputusan sendiri ketika
berada pada kondisi tertentu [1]. Untuk menerapkan
hal tersebut, dibutuhkan suatu sistem kendali cerdas

1
yang terdiri dari beberapa sistem yang saling berkaitan,
diantaranya adalah sistem persepsi, sistem kendali
gerak dan sistem kognitif.
AMR biasanya dibuat agar dapat bergerak
secara planar, sehingga hanya melibatkan dua
dimensi. Pergerakan dua dimensi memiliki tiga derajat
kebebasan; bergerak maju mundur, bergerak
menyamping dan berputar pada sumbu porosnya
sendiri [2]. Maka dari itu, dibutuhkan AMR yang
dapat bergerak ke segala arah di sepanjang bidang
tanah (omnidirectional) agar dapat memenuhi tiga
derajat kebebasan tersebut. Robot dengan pergerakan
omnidirectional dapat diimplementasikan dengan
menggunakan dua jenis rancangan roda; special wheel
design dan conventional wheel design [4]. Special
wheel design dibagi menjadi tiga jenis, yaitu omni
wheel, mecanum wheel dan ball wheel. Sedangkan,
conventional wheel design dibagi menjadi castor
wheel dan steering wheel. Special wheel memiliki
desain yang compact, mudah untuk dikendailkan dan
menghasilkan gaya dorongan yang rendah pada saat
bergerak diagonal [12]. Namun sangat sensitif
terhadap bidang yang tidak rata dan memiliki bidang
kontak roda yang tidak merata sehingga daya tidak
dapat digunakan secara optimal [4]. Hal tersebut dapat
diatasi menggunakan roda konvensional (steering
wheel atau castor wheel) karena memiliki kelebihan;
kuat terhadap bidang yang tidak rata, bidang kontak
roda yang merata dan kapasitas beban yang tinggi.
Tetapi pada pengaplikasiannya, roda konvensional
membutuhkan mekanisme tambahan agar dapat
bergerak secara omnidirectional [4]. Contoh
pengaplikasiannya adalah pada robot Turtlebot3
Conveyor yang diproduksi oleh ROBOTIS yaitu
merupakan perangkat robot pribadi yang tersedia di
pasaran. Maka dari itu alat ini sangat cocok untuk
dijadikan alat bantu pembelajaran pada mata kuliah
robotika, khususnya pada jenjang 6 yang setara
dengan Diploma IV karena sesuai dengan Peraturan
Presiden Nomor 8 Tahun 2012, jenjang 6 memiliki
kualifikasi agar peserta ajar dapat menguasai konsep
teoritis bidang pengetahuan tertentu secara umum dan
konsep teoritis bagian khusus secara mendalam serta
dapat memformulasikan penyelesaian masalah secara
prosedural [14], yang berarti peserta ajar harus dapat
menguasai konsep teoritis robotika secara umum dan
khusus serta dapat mengimplementasikannya dalam
suatu penyelesaian masalah yang sesuai prosedur.
Pada saat ini terdapat beberapa AMR yang
dijual di pasaran, diantaranya adalah Robotino oleh
Festo, MPO-700 oleh NEOBOTIX, MiR200 oleh
Mobile Industrial Robot dan Turtlebot3 Conveyor
oleh ROBOTIS. Dari semua model tersebut, hanya
Turtlebot3 Conveyor yang menggunakan kontruksi
powered steering wheel sehingga cocok dengan
kebutuhan. Namun, Turtlebot3 Conveyor tidak
ditujukan sebagai alat bantu pembelajaran, melainkan
untuk robot pribadi, penelitian dan robot industri
sehingga human-machine interface yang dimiliki
masih belum memenuhi kriteria yang dibutuhkan
karena tidak memaparkan penjelasan konsep teoritis
yang digunakan. Selain itu, human-machine interface
2
yang dimiliki kurang interaktif khususnnya dalam
penyajian pergerakan robot karena hanya menyajikan
pergerakan posisi robot, sedangkan pembacaan sensor
dan pergerakan robot secara mendetail tidak
ditampilkan sehingga kurang menunjang apabila
digunakan sebagai alat bantu pembelajaran khususnya
bagi peserta ajar jenjang 6. Oleh karena itu dibutuhkan
alat bantu pembelajaran berupa omnidirectional AMR
menggunakan powered steering wheel yang dapat
menunjang pembelajaran robotika pada mahasiswa
diploma IV.
Berdasarkan pemaparan di atas, dalam proposal
tugas akhir ini diusulkan alat bantu pembelajaran
robotika berupa mobile robot yang dapat bergerak
secara omnidirectional menggunakan Powered
Steering Wheel. Diharapkan dengan alat bantu
pembelajaran ini mahasiswa dapat mempelajari
perkembangan pada bidang robotika khususnya pada
pengaplikasian AMR dengan melihat respon robot
terhadap perubahan parameter pengendalian robot
sehingga mahasiswa dapat bersaing dalam
penggunaan teknologi robotika terkini.
II. PERANCANGAN SISTEM
Secara umum, robot memiliki empat sistem
utama yaitu bagian antarmuka, bagian pengendali
utama (kognitif), bagian pengendali gerakan (motion
control), dan bagian pengendali sensor dan persepsi.
Gambar 2.1 menunjukan bagaimana hubungan
keempat sistem tersebut agar membentuk suatu
kesatuan yang utuh.
Gambar 2.1 Blok sistem kendali robot
Berdasarkan blok diagram sistem kendali di
atas, arsitektur sistem yang dibangun terdiri dari
empat bagian utama, yaitu PC yang ter-install
perangkat lunak NI LabVIEW yang berguna sebagai
antarmuka antara pengguna dengan robot, Raspberry
Pi 3 (master) sebagai pengendali utama dan sekaligus
pengendali sistem kognitif robot secara langsung,
STM32 (slave 1) sebagai mikrokontroler pengendali
motor DC sekaligus pengakuisisi data encoder,
kemudian Arduino Mega (slave 2) sebagai
mikrokontroler untuk sistem persepsi robot dan
pengendali sensor-sensor robot. Berikut ini
merupakan gambaran hardware dan software yang
digunakan pada sistem robot.
 Gambar 2.2 Ilustrasi Sistem
Terdapat beberapa domain dalam system
yang dibuat yaitu domain elektrik, domain mekanik
dan domain informatik/kontrol.
Rangkaian elektrik robot terpusat dalam satu
Motherboard. Motherboard ini menjadi tempat
terpasangnya seluruh sensor, mikrokontroler dan
komponen-komponen elektrik. Gambar 2.3
Menunjukan desain PCB dari motherboard yang
digunakan.
Gambar 2.3 Desain PCB motherboard.
Perancangan perangkat mekanik diambil dari
rancangan yang sudah ada yaitu Turtlebot 3 Conveyor
namun dimodifikasi sesuai dengan kebutuhan pada
tugas akhir ini, adapun modifikasi yang dilakukan
adalah penambahan 12 buah sensor ultrasonic,
mengganti motor penggerak roda menggunakan motor
DC, dan penggantian servo dynamixel dari MX series
ke AX-12A dimana dari segi bentuk memiliki dimensi
yang berbeda. Modifikasi ini dimaksudkan agar alat
dapat menyesuaikan dengan kebutuhan sistem yang
ingin dibuat, dimana alat ini nantinya digunakan
sebagai media pembelajaran. Berikut tampilan dari
rancangan mekanik yang telah dibuat.
3
Gambar 2.4 Tampak isometrik desain robot
Dalam mobile robot ada tiga sistem utama
untuk mengendalikan robot. Tiga sistem tersebut
adalah sistem persepsi, sistem kognitif, dan sistem
kendali gerak robot. Sistem persepsi bertugas untuk
mengumpulkan data lingkungan sekitar dan membuat
simpulan atas data hasil pembacaan tersebut. Sistem
kognitif memiliki fungsi untuk menginterpretasikan
hasil simpulan sistem persepsi menjadi aksi yang
harus dilakukan oleh robot (pengambilan keputusan).
Selanjutnya jika sistem kognitif sudah menghasilkan
suatu keputusan, sistem kendali gerak robot bertugas
untuk mengendalikan gerakan robot berdasarkan hasil
keputusan tersebut. Sebagai contoh, apabila sistem
kognitif menghasilkan keputusan robot harus berbelok
maka sistem kendali gerak akan membuat robot
berbelok. Pada sistem kendali gerak inilah sistem
kendali konvensional digunakan.
Pada perancangan domain kontrol, sistem yang
akan dirancang menggunakan mikrokontroler dan
miniPC. Pemrograman dilakukan dengan
menggunakan Arduino IDE dan LabVIEW 2014.
Berikut merupakan gambaran umum sistem
informatic yang digunakan pada robot ini.
Gambar 2.5 Diagram Alir Sistem Secara Umum

III. HASIL IMPLEMENTASI
3.1 Aktualisasi Rancangan
Dari perancangan yang telah dilakukan,
dilakukan pembuatan robot secara aktual. Gambar
berikut menunjukan aktualisasi rancangan mekanik
yang telah dibuat.
Gambar 3.1 Aktualisasi Rancangan Mekanik Robot
Kemudian gambar berikut menunjukan
aktualisasi rancangan elektrik yang telah dibuat.
Gambar 3.2 Aktualisasi Rancangan Elektrik Robot
Tampilan user interface ditunjukkan pada
Gambar 3.3, antarmuka dibuat berdasarkan
perancangan yang dilakukan. Antarmuka terbagi
menjadi 3 tab, yaitu deskripsi sistem, teori dan
implementasi.
Gambar 3.3 Tampilan antarmuka pada tab deskripsi
sistem
Deskripsi sistem dibagi menjadi beberapa
bagian, yaitu pemaparan mengenai judul dan
gambaran alat pada sub tab “Autonomous Mobile
Robot” dan blok diagram, ilustrasi sistem dan
4
gambaran alat pada sub tab “Arsitektur Sistem”. Pada
tab deskripsi sistem lebih menekankan pada
penjelasan fungsi dan sedikit gambaran dari sistem
yang dimiliki alat tersebut.
Pada tab teori, dipaparkan teori – teori yang
mendukung dan digunakan pada alat ini. Teori – teori
yang dibahas adalah teori mengenai cara kerja sensor
ultrasonic, kinematika robot dan teori behavior
control. Tab teori ditunjukkan pada Gambar 3.4.
Gambar 3.4 Tampilan antarmuka pada tab teori
Tab teori dibagi lagi menjadi tiga bagian,
yaitu persepsi, kendali gerak dan kognitif. Dimana
persepsi membahas tentang teori sensor ultrasonik,
kendali gerak membahas mengenai kinematika robot
dan kognitif membahas cara kerja behavior control
yang diterapkan pada sistem obstacle avoidance.
Pada tab implementasi ditampilkan seluruh
elemen kontrol dan indikator – indikator dari robot.
Pada tab ini pengguna dapat mengendalikan robot
secara manual ataupun autonomous. Antarmuka tab
implementasi dibagi menjadi tiga bagian juga yaitu
persepsi, kendali gerak dan kognitif. Adapun
gambaran bagian – bagian tersebut ditunjukkan pada
Gambar 3.5, Gambar 3.6, Gambar 3.7 dan Gambar
3.8.
Gambar 3.5 Tampilan antarmuka pada bagian
implementasi persepsi
Gambar diatas menunjukan sistem persepsi
yang bekerja pada robot, dimana terdapat indicator –
indicator sensor yang menenjukkan terdeteksinya
obstacle atau tidak. Terdapat juga kolom yang
bernama “Sonar Threshold” yang berfungsi untuk
menentukan batas pendeteksian obstacle dalam satuan
sentimeter (cm). Terakhir, terdapat tulisan yang
memberitahukan posisi robot apakah sedang
mendeteksi obstacle atau tidak.

Gambar 3.6 Tampilan antarmuka pada bagian
implementasi kendali gerak (1)
Gambar 3.7 Tampilan antarmuka pada bagian
implementasi kendali gerak (2)
Bagian kendali gerak dibagi menjadi dua,
yang pertama bernama “Kendali Gerak Aktuator”
dimana berisi elemen – elemen kontrol yang berfungsi
untuk mengendalikan actuator dari robot secara
individu. Terdapat juga indikator yang menunjukkan
pergerakan actuator yang sedang dikendalikan.
Bagian kedua bernama “Kendali Gerak Robot’
dimana pada bagian ini terdapat elemen – elemen
untuk mengendalikan robot secara keseluruhan,
terdapat juga indicator – indicator pergerakan robot
yang sedang dikendalikan.
Pada bagian implementasi kognitif terdapat
elemen – elemen kontrol robot secara autonomous,
dimana pada bagian ini robot hanya dikontrol pada
bagian awal pergerakan. Setelah itu robot akan
mendeteksi obstacle secara tersu menerus dan akan
merubah pergerakan robot apabila terdeteksi ada
obstacle disekitarnya. Antarmuka bagian
implementasi kognitif ditunjukkan pada Gambar 4.8.
Gambar 3.8 Tampilan antarmuka pada bagian
implementasi kognitif
3.1 Pengujian SIstem Persepsi
3.1.1 Pengujian Pembacaan Sensor
Pengujian sensor ultrasonic dilakukan dengan
maksud untuk menentukan ketelitian sensor saat
membaca jarak antara robot dengan objek yang
dideteksi. Rumus beriut digunakan untuk menghitung
5
jarak antara objek dan sensor dimana t = Air Time.
Berikut contoh perhitungan data jarak yang dibaca
oleh sensor HC-SR04.
𝑐. 𝑡 343. 311
𝑑= = = 0,0533 𝑚 = 5,33 𝑐𝑚
2 2
Keterangan :
d = Jarak yang diukur oleh sensor
c = Cepat rambat suara (pengujian dilakukan pada
suhu ruangan) [m/s]
t = Air time (waktu tempuh gelombang ultrasonic) [us]
Pengujian dilakukan pada suhu ruangan
sehingga diasumsikan kecepatan rambat suara di
udara sebesar 343 m/s, kemudian air time didapat dari
hasil pembacaan sensor ultrasonic yang digunakan.
Tabel 3.1 menunjukan hasil pengukuruan sensor
ultrasonic yang dibandingkan dengan pengukuran
menggunakan penggaris yang memiliki ketelitian ±
0,5 mm.
Tabel 3.1 Hasil pengukuran sensor ultrasonic.
Dari tabel 3.1 di atas dapat disimpulkan
bahwa secara keseluruhan sensor ultrasonic memiliki
kesalahan sebesar 2,4% dari setiap pengukuran yang
dilakukannya. Hal ini berarti sensor ultrasonic yang
digunakan pada robot memiliki akurasi sebesar
97,6%. Kesalahan pembacaan sensor yang terbesar
adalah 0,9 cm (dibulatkan menjadi 1 cm). Oleh sebab
itu, robot dapat mengenali kedekatan dirinya terhadap
suatu objek dengan toleransi kesalahan pembacaan
jarak terhadap objek sebesar ± 1 cm.
3.1.2 Pengujian Pendeteksian Obstacle
Sebelum menguji pembacaan obstacle,
dipastikan terlebih dahulu material dan bentuk apa
saja yang dapat digunakan sebagai obstacle. Oleh
karena, dibuat pengujian material obstacle seperti
yang ditunjukan pada Tabel 3.2 berikut.
 Tabel 3.2 Hasil uji pendeteksian obstacle terhadap
material obstacle.
Berdasarkan hasil pengujian yang dilakukan
dapat disimpulkan bahwa material dan bentuk tidak
terlalu berpengaruh terhadap pendeteksian obstacle
karena dari tiga jenis material dan 3 jenis bentuk
obstacle yang diuji, semuanya masih terdeteksi oleh
sensor.
Setelah itu dilakukan pengujian satu jenis
obstacle dengan ukuran yang berbeda-beda untuk
mengetahui pengaruh dari ukuran obstacle terhadap
pembacaan sensor. Material yang dipilih adalah
obstacle kayu dengan tinggi yang konstan yaitu 20 cm
namun lebar dari obstacle tersebut yang dibuat
bervariasi. Data hasil pengujian ditunjukan pada Tabel
3.3.
Tabel 3.3 Hasil uji pendeteksian obstacle terhadap
lebar obstacle.
6
Dari data diatas dapat disimpulkan bahwa lebar
obstacle dan jarak obstacle sangat berpengaruh
terhadap pembacaan sensor. Obstacle dengan lebar
yang cukup kecil akan sulit dideteksi ketika berada
pada jarak yang cukup jauh dan begitu pula
sebaliknya. Maka dari itu diputuskan obstacle dengan
lebar 4 cm digunakan dalam pengambilan data uji
obstacle karena memiliki tebal paling kecil yang
masih terbaca pada jarak 15 cm.
Pengujian utama adalah pengujian obstacle
menggunakan seluruh sensor robot, pengujian ini
dilakukan dengan cara menempatkan sebuah objek
pada sudut-sudut tertentu robot. Objek yang
digunakan adalah sebuah kayu yang berbentuk persegi
panjang dengan lebar 4 cm, tinggi 20 cm dan tebal 1
cm.
Kemudian hasil pengujian diperlihatkan pada
Tabel 3.4, dimana dari data-data tersebut dapat dilihat
bahwa obstacle terbaca pada setiap sudut
penyimpanan objek yang dibuat. Hal itu
menyimpulkan bahwa penggunaan 12 buah sensor
ultrasonic sudah dapat melingkupi keseluruhan badan
robot karena tidak terdapat blind spot dengan syarat
ukuran obstacle minimal memiliki tinggi 20cm, lebar
4cm dan bidang yang rata.
Tabel 3.4 Hasil uji pendeteksian obstacle terhadap
sudut penempatan obstacle.
3.2 Pengujian Sistem Kendali Gerak
3.2.1 Pengujian Kelinearitasan Motor DC
Pada pengujian ini motor DC diberi input
berupa sinya PWM, kemudian dilakukan pengukuran
tegangan pada output driver motor DC (L298N) dan
juga pembacaan kecepatan menggunakan tachometer.
Tabel 3.5 Hasil uji kelinearitasan motor
 Berdasarkan data diatas, dari keempat motor
DC yang diuji cenderung memiliki respon
karakteristik yang sama, namun terdapat beberapa
perbedaan nilai pada beberapa titik. Gambar 3.9
menunjukan plot respon dari data yang telah diuji,
karena karakteristiknya hampir sama, maka plot
respon yang diambil hanya sampel saja yaitu motor 0.
Gambar 3.9 Grafik Sinyal PWM terhadap
Tegangan Pin pada Motor 0
Dari grafik diatas dapat dilihat bahwa respon
PWM terhadap tegangan pin masih linear, hal itu
menandakan bahwa mikrokontroler yang digunakan
masih berfungsi dengan baik.
Gambar 3.10 Grafik Sinyal PWM terhadap
Tegangan Driver pada Motor 0
Dari grafik diatas dapat dilihat bahwa respon
PWM terhadap tegangan driver sudah mulai tidak
linear, hal itu menandakan bahwa driver motor DC
yang digunakan menghasilkan tegangan yang tidak
linear. Selain itu terjadi drop tegangan juga pada
tegangan maksimum, dimana ketika diberikan PWM
100% driver hanya mengeluarkan 9.74 Volt.
Gambar 3.11 Grafik Sinyal PWM terhadap
Kecepatan Putar Motor 0
7
Grafik diatas menunjukkan respon motor
yang mengikuti tegangan keluaran dari driver. Dapat
disimpulkan bahwa Kecepatan motor menjadi tidak
linear ketika menggunakan driver L298N. selain itu,
tegangan maksimum nya pun mengalami pengurangan
sehingga kecepatan putar motor kurang maksimal.
Pada data hasil pengujian juga dapat dilihat
bahwa nilai kecepatan dari setiap motor berbeda beda
pada setiap nilai PWM yang diberikan. Agar lebih
jelas dapat dilihat pada tabel berikut.
Tabel 3.6 Perbandingan kecepatan setiap motor
Dapat dilihat dari data diatas kecepatan
setiap motor selalu berbeda, yang paling mencolok
adalah pada motor 3 dimana kecepatan putarnya selalu
jauh dibawah motor yang lain, ketika diberi PWM
86,27% kecepatan motor 3 hanya mencapai 166,9
rpm. Sedangkan, motor lainnya mencapai lebih dari
175 rpm. Selain itu juga setelah dilakukan pengujian,
dapat diketahui bahwa roda pada motor 2 sedikit
mengangkat ketika robot diletakkan pada bidang
datar. Berikut gambaran posisi roda pada motor 2.
Gambar 3.12 Gambaran roda motor 2 yang tidak
menempel pada lantai
 Lingkaran merah pada gambar diatas
menunjukkaan bahwa roda pada motor 2 tidak
sepenuhnya menyentuh lantai. Hal ini disebabkan
penggunaan part pengikat motor DC yang kurang
presisi. Akibatnya kadang robot mengalami slip ketika
roda pada motor 2 tidak menyentuh lantai. Kemudian
ketika robot bergerak dari satu titik ke titik lain,
pergerakannya sedikit melenceng karena kecepatan
putar motor yang tidak sama. Mengingat sistemnya
belum menggunakan feedback sensor kecepatan,
maka agar robot dapat bergerak dengan lurus dan
presisi harus ditambahkan encoder pada setiap motor
DC penggerak roda.

3.2.2 Pengujian Kinematika Robot

Pada pengujian ini dilakukan pengecekan
kinematik robot yang telah dibuat, dilihat apakah input
sudut yang diberikan sesuai dengan output pergerakan
robot. Input yang diberikan berupa sudut pergerakan
robot yang dilambangkan oleh θ, kemudian
pergerakan motor steering dilambangkan oleh α dan
arah putar motor penggerak roda dilambangkan oleh
arah putaran CW (Clockwise) dan CCW (Counter
Clockwise).

Tabel 3.7 Hasil uji kinematika robot

Gambar 3.13 Skema pengujain obstacle avoidance

Gambar 3.14 Aktualisasi Pengujian behavior control

Dari data diatas dapat disimpulkan bahwa
kinematika robot sudah dapat berfungsi dengan baik
karena pergerakan robot sudah sesuai dengan input
yang diberikan.
3.3 Pengujian Sistem Kognitif
Pada pengujian ini robot dijalankan dengan
skema obstacle avoidance yang telah dibuat,
kemudian dilihat apakah gerakan avoidance robot
sesuai dengan behavior yang telah dibuat atau tidak.
Jika sudah sesuai maka program kognitif sudah
berfungsi sesuai dengan keinginan. Gambar 4.16
menunjukan pergerakan robot ketika ditempatkan
pada map yang sudah dibuat.
Gambar 3.14 menunjukan dokumentasi
pengujian yang telah dilakukan dan dari gambar
tersebut dapat disimpulkan bahwa skema obstacle
avoidance yang telah dibuat sudah sesuai dengan
behavior yang diinginkan, gerakan backward menjadi
suppression node paling tinggi dan paling diutamakan,
oleh karena itu ketika robot bertemu dengan rintangan
nomor 5, robot bergerak ke belakang (backward)
bukan kearah lainnya.

8
IV. KESIMPULAN
Berdasarkan pencapaian dan pengujian yang
dilakukan, dapat ditarik beberapa kesimpulan sebagai
berikut:
1. Pengunaan powered steering wheel akan
membuat robot dapat bergerak ke segala arah
tanpa mengubah orientasi badan robot.
2. Dengan menggunakan 12 buah sensor
ultrasonic, sensor sudah dapat mendeteksi
obstacle tanpa adanya blind spot dengan syarat
minimal lebar obstacle 4 cm dan tinggi 20 cm.
3. Robot dapat bergerak secara manual sesuai
dengan parameter sudut pergerakan yang
dimasukkan dengan resolusi 0.29°.
4. Robot dapat menghindari obstacle dengan
menggunakan sistem behavior control dengan
tujuh arah penghindaran yaitu pada sudut 0°,
30°, 60°, 120°, 150°, 180°, dan 270°.
5. Pada permukaan yang licin, terdapat slip pada
roda motor 2 dikarenakan pembuatan part
pengikat motor DC yang kurang presisi yang
mengakibatkan roda motor 2 mengalami
kontak yang kurang maksimal terhadap lantai.
6. Kecepatan putar setiap roda tidak sama
sehingga mengakibatkan pergerakan robot
yang tidak lurus.
V. DAFTAR PUSTAKA
[1] R. Siegwart, Introduction to Autonomous Mobile
robots Second Edition, Cambrigde: The MIT
Press, 2011.
[2] Y. Tian, L. Li, S. Zhang, J. Liu, F. Chen dan B.
Xia, Research on a New Omnidirectional
Mobile Platform with Heavy Loading,
Advances in Mechanical Engineering, vol. 9, p.
1–15, 2017.
[3] F. Adăscăliţei dan I. Doroftei, Practical
Applications for Mobile Robots based on
Mecanum Wheels - a Systematic Survey,
Proceedings of International Conference On
Innovations, Recent Trends And Challenges In
Mechatronics, Mechanical Engineering And
New High-Tech Products Development, vol. 3,
pp. 112-123, 2011.
[4] I. Doroftei, V. Grosu, V. Spinu, Omnidirectional
Mobile Robot - Design and
Implementation, Book-Chapter, Bioinspiration
and Robotics - Climbing and Walking Robots,
Editor Maki K. Habib, Published by Advanced
Robotic Systems International (Vienna) and
ITech, 2007, pp. 511-529.
[5] Muir, P. F., Neuman, C.P., Kinematic Modeling
for Feedback Control of an
Omnidirectional Wheeled Mobile Robot, IEEE
Intenational Conference on Robotics and
Automation, 1987.
[6] Tuck-Voon How, Development of an Anti-
Collision and Navigation System for Powered
Wheelchairs, 2010
[7] Po-Er Hsu, Yeh-Liang Hsu, Jun-Ming Lu, Jerry,
J.-H. Tsai, Yi-Shin Chen, iRW: An Intelligent
Robotic Wheelchair Integrated with Advanced
Robotic and Telehealth Solutions, in "1st Asia
Pacific eCare and TeleCare Congress", June 16-
19, 2011, Hong Kong, China.
[8] T. Bower, Teaching Introductory Robotics
Programming, Kansas: IEEE Robotics &
Automation Magazine, 2016.
[9] D. Ferguson, A Guide to Heuristic-based Path
Planning, Pittsburgh: Carnegie
Mellon University, 2005 .
[10] Pjtanz, An Introduction to An A Star Path
Planning Using LabVIEW, National Instrument,
20 April 2015. [Online]. Available:
http://forums.ni.com/t5/LabVIEW-Robotics-
Documents/An-Introduction-to-A-Path-
Planning-using-LabVIEW/tap/3521668.
[Diakses 23 November 2018].
[11] Ilon, B.E., 1975, Wheels for a course stable self
propelling vehicle movable in any desired
direction on the ground or some other base, US
Patent and Trademarks office, Patent
3.876.255.
[12] Nugroho, A.P., 2018, Rancang Bangun Path
Planning dan Obstacle Avoidance pada
Autonomous Mobile Robot dengan
Menggunakan Mecanum Wheel sebagai Alat
Bantu Pembelajaran Robotika, Polman
Bandung
[13] Weinert, H., Pensky, D., 2011 Mobile Robotics
in Education and Student Engineering
Competitions, Zambia; Festo Didatic.
[14] Peraturan Presiden No. 8 Tahun 2012 tentang
Kerangka Kualifikasi Nasional Indonesia.
[15] Abdelhameed, Magdy. 2014. VDI 2206. Cairo:
Ain Shams University.
[16] Wada, M and Mori, S. 1996. Holonomic and
Omnidirectional Vehicle with Conventional
Tires. Japan; Fuji Electric
[17] Hambali, F.A., 2017, “Rancang Bangun Sistem
Kendali Cerdas pada Autonomous Mobile
Robot sebagai Alat Bantu Pembelajaran
Robotika”, Polman Bandung