ISSN No.

2809-7548
Jurnal Conference on Automation Engineering and Its Application
Volume 2, Tahun 2022
Program Studi D4 Teknik Otomasi – Politeknik Perkapalan Negeri Surabaya

KENDALI ROBOT MANIPULATOR SECARA WIRELESS BERBASIS

ESP-NOW
Tri Nugroho Bhakti1), Ii Munadhif 2), dan Ir. Joko Endrasmono 3)
1,2,3)
Teknik Otomasi, PPNS, Jl. Teknik Kimia Kampus ITS Sukolilo, Surabaya, 60111
E-mail: (1)trinugroho@student.ppns.ac.id, (2)iimunadhif@ppns.ac.id,
(3)
endrasmono@ppns.ac.id

Abstrak
Dampak dari kecelakaan kerja pada pekerjaan yang berkaitan dengan kegiatan berbahaya seperti
penjinakan bom dan kontak langsung dalam memindahkan tabung reaksi yang berisi zat aktif kimia
berbahaya dapat membahayakan keselamatan manusia. Oleh sebab itu robot manipulator diciptakan, namun
pada kenyataannya pengendalian jari pada robot manipulator masih terbatas menggunakan kabel jarak
dekat. Oleh sebab itu, penelitian ini bertujuan untuk meningkatkan jarak pengendalian pada robot
manipulator dengan menggunakan metode berbasis ESP-NOW. Flex sensor digunakan sebagai pendeteksi
perubahan gerakan jari. ESP-32 digunakan sebagai mikrokontroler yang bertugas sebagai komunikasi
nirkabel atau wireless antara robot manpulator dengan pengendali. Motor servo digunakan sebagai
penggerak robot manipulator yang dikendalikan secara wireless dengan kecepatan pengiriman data antar
ESP-32 kurang dari satu detik dengan kondisi stabil dan konstan hingga jarak 40 meter. Komunikasi ESP-
NOW memiliki jarak lebih dari 100 meter dengan kondisi tetap stabil dan tetap terhubung serta tidak
ditemukan data loss.

Kata kunci: robot manipulator, flex sensor, Extreme Learning Machine, motor servo, ESP-32

1. PENDAHULUAN
Perkembangan teknologi di era globalisasi
sekarang ini sangat pesat, terutama pada
kemajuan robot. Pembuatan robot-robot dengan
berbagai keistimewaan khusus ini berkaitan
dengan adanya kebutuhan dalam dunia industri
modern yang menuntut automatisasi dalam segala
hal yang dapat membantu menyelesaikan
pekerjaan manusia ataupun untuk menyelesaikan
pekerjaan yang tidak mampu diselesaikan oleh
manusia. Contohnya pada pekerjaan yang
berkaitan dengan kegiatan berbahaya seperti
penjinakan bom dan kontak langsung dalam
memindahkan tabung reaksi yang berisi zat aktif
kimia berbahaya dapat membahayakan
keselamatan manusia (Fadlirrahman, 2017).
Salah satu jenis robot dengan kemampuan
istimewa yang belakangan ini banyak menarik
minat para ahli untuk dikembangkan adalah robot
lengan manipulator. Kemampuan dari robot ini
sangat beragam sesuai dengan tingkat dan jenis
2. METODE
2.1 Diagram Alur Penelitian
Diagram alur penelitian ditunjukkan
pada Gambar 2.1 yang terdiri dari
identifikasi masalah dan studi literatur.
Analisi kebutuhan sistem terkait input,
output, pengendali, metode klasifikasi, dan
keperluan. Robot manipulator dapat digerakkan
dengan berbagi sensor dan metode sesuai dengan
kebutuhan yang diinginkan (Fadlirrahman, 2017)
Dari sejumlah penelitian yang telah ada,
gerakan robot manipulator masih terbatas dan
masih terbatas menggunakan kabel sehingga robot
manipulator tidak bisa dikendalikan dari jarak jauh.
Pada penelitian ini pengembang melakukan
optimasi pada kendali robot manipulator agar
mampu melakukan aktifitas dari tempat yang jauh
tanpa terhubung dengan kabel.
Oleh karena itu dibutuhkan sebuah sistem
kendali jarak jauh berbasis ESP-32. Dimana robot
manipulator akan mampu bergerak tanpa kabel dari
tempat yang jauh yang memanfaatkan MAC Adress
pada modul ESP-32 sebagai alamat pengirim sinyal
dari Flex sensor menuju ESP-32 lain yang
berfungsi sebagai penerima sinyal yang akan
memberikan perintah untuk menggerakkan motor
servo sesuai dengan besarnya perubahan flex
sensor
perangkat elektronik lain yang menunjang.

32
 ISSN No. 2809-7548
Jurnal Conference on Automation Engineering and Its Application
Volume 2, Tahun 2022
Program Studi D4 Teknik Otomasi – Politeknik Perkapalan Negeri Surabaya

Proses klasifikasi dilakukan oleh

metode extreme learning machine yang
melatih data input. Output dari metode
ELM merupakan perintah yang akan
menggerakkan motor servo.

Gambar 2.2 Perancangan Hardware

2.3 Perancangan Mekanik

Gambar 2.1 Diagram Alur Sistem
Robot manipulator dibagi menjadi
dua bagian secara terpisah, yaitu bagian
body robot dan kontroler berupa sarung
tangan yang telah dipasang dengan flex
sensor. Gambar 2.3 merupakan desain
dari body robot manipulator.

2.2 Perancangan Sistem dan Hardware

Perancangan sistem memiliki empat
bagian penting yaitu input berupa data-
data dari flex sensor. Pengendali berupa
ESP-32 yang terdapat metode klasifikasi.
Output berupa motor servo yang bergerak.
Sumber tegangan berupa battery. Flex
sensor sebagai pendeteksi gerakan pada
setiap jari. Data sensor diubah menjadi
sinyal listrik oleh tranducer. Motor servo Gambar 2. 3 Desain Body Robot
menerima perintah dari ESP-32 pengirim
yang telah dilengkapi dengan metode Manipulator
ELM.
Rangkaian pada body robot manipulator
Perancangan hardware ditunjukkan
pada Gambar 2.2 yang terdiri dari berupa wiring motor servo dapat dilihat
pada Gambar 2.4 berikut.
perangkat elektronik yang disusun
berdasarkan aliran data yang diproses.
Terdapat lima flex sensor yang diletakkan
pada sarung tangan khusus yang akan
mendeteksi perubahan posisi pada tiap
jari. Terdapat dua ESP-32 yang digunakan
secara terpisah sebagai transmitter dan
receiver. Terdapat 5 motor servo yang
bergerak berdasarkan perintah hasil
klasifikasi.

33
 ISSN No. 2809-7548
Jurnal Conference on Automation Engineering and Its Application
Volume 2, Tahun 2022
Program Studi D4 Teknik Otomasi – Politeknik Perkapalan Negeri Surabaya

Gambar 2. 6 Wiring Diagram Flex Sensor

Berdasarkan diagram rangkaian yang

Gambar 2. 4 Wiring Diagram Motor Servo
ditunjukkan pada Gambar 2.6, flex sensor
dirangkai secara berurutan pada pinout
mikrokontroler ESP-32. Pada diagram
rangkaian menggunakan konfigurasi pin
yang terdiri dari GPIO32 (FLEX 1),
GPIO33 (FLEX 2), GPIO36 (FLEX 3),
GPIO39 (FLEX 4), GPIO34 (FLEX 5).

3. HASIL DAN PEMBAHASAN

Berdasar diagram rangkaian yang
ditunjukkan pada Gambar 2.4, motor servo
dirangkai secara berurutan pada pinout
mikrokontroler ESP-32. Pada diagram
rangkaian yang digunakan memiliki
konfigurasi pin yang ditunjukkan pada
gambar yang terdiri dari D19 (Servo 1),
D18 (Servo 2), D5 (Servo 3), D17 (Servo
4), D16 (Servo 5). Sedangkan desain pada
sarung tangan dapat dilihat pada Gambar
2.5 berikut.
3.1 Pegujian Alamat MAC Address
Pengujian MAC Address dilakukan
dengan memasukkan program tertentu
kepada ESP-32 transmitter dan ESP-32
receiver. Upload program dan buka jendela
serial monitor. Atur baud rate sebesar
115200. Tekan RST atau EN pada board
ESP-32. Berikut merupakan hasil dari
pengujian MAC Adress ESP-32 transmitter
dan ESP-32 receiver pada Tabel 3.1.

Tabel 3. 1 Pengujian MAC Address

Nama MAC Address
ESP-32
94:B9:7E:E5:06:78
Transmitter
ESP-32
24:0A:C4:C6:08:5C
Receiver

MAC Address pada ESP-32 receiver

digunakan sebagai alamat pengiriman data
oleh ESP-32 transmitter dengan
Gambar 2. 5 Desain Sarung Tangan
memaukkan MAC Address ESP-32
receiver kedalam program ESP-32
Sarung tangan pada robot manipulator
transmitter.
terdapat flex sensor yang dipasang di setiap
jari yang dirangkai seperti pada Gambar 2.6
beriikut. 3.2 Pengujian Kecepatan Pengiriman
Data
Berdasarkan Tabel 3.2, Pengujian

34
 ISSN No. 2809-7548
Jurnal Conference on Automation Engineering and Its Application
Volume 2, Tahun 2022
Program Studi D4 Teknik Otomasi – Politeknik Perkapalan Negeri Surabaya
kecepatan pengiriman data dilakukan antar ESP-32, robot manipulator
sebanyak 3 kali dengan jumlah total 15 dikendalikan dari jarak tertentu dengan
data. Data dikirimkan setiap lima detik interval 10 meter. Sarung tangan
sekali yang bertujuan untuk memudahkan pengendali dihubungkan dengan laptop.
observasi. Pengujian dilakukan dengan Observasi dilakukan selama 5 detik pada
merubah variabel jarak pengiriman data setiap pengujian menggunakan serial
setiap sepuluh meter sehingga monitor yang tersedia. Tabel 3.4
mendapatkan hasil sebagai berikut. merupakan hasil dari pengujian data loss
komunikasi antar ESP-32 sebagai berikut.
Tabel 3. 2 Hasil Pengujian Kecepatan
Tabel 3. 4 Hasil Pengujian Data Loss
Pengiriman
Pengujian Data
Jarak
Kecepatan Pengiriman Data Loss
Jarak Pengujian Pengujian
Pengujian 3
0 Meter 0 Data Loss
1 2 10 Meter 0 Data Loss
0 20 Meter 0 Data Loss
< 1 detik < 1 detik < 1 detik
Meter
30 Meter 0 Data Loss
10
< 1 detik < 1 detik < 1 detik 40 Meter 0 Data Loss
Meter
20
50 Meter 0 Data Loss
Meter
< 1 detik < 1 detik < 1 detik 60 Meter 0 Data Loss
30 70 Meter 0 Data Loss
< 1 detik < 1 detik < 1 detik
Meter 80 Meter 0 Data Loss
40
< 1 detik < 1 detik < 1 detik
90 Meter 0 Data Loss
Meter 100 Meter 0 Data Loss

3.3 Pengujian Jarak Komunikasi 4. PENUTUP

Pada pengujian jarak komunikasi antar 4.1 Kesimpulan
ESP-32, robot manipulator dikendalikan
dari jarak tertentu dengan interval 10 Berdasarkan penelitian yang telah
meter. Sarung tangan pengendali dilakukan dapat disimpulkan bahwa:
dihubungkan dengan laptop untuk
memudahkan observasi menggunakan 1. Dari hasil pengujian MAC Adress ESP-
serial monitor yang tersedia. Tabel 3.3 32 transmitter dan ESP-32 receiver
merupakan hasil dari pengujian jarak diperoleh alamat ESP-32 transmitter
komunikasi antar ESP-32 sebagai berikut. 94:B9:7E:E5:06:78 sedangkan alamat
ESP-32 receiver 24:0A:C4:C6:08:5C.
Tabel 3. 3 Hasil Pengujian Jarak 2. Dari hasil pengujian kecepatan
Komunikasi pengiriman data diperoleh kesimpulan
bahwa kecepatan pengiriman data antar
Jarak Komunikasi ESP-32 kurang dari satu detik.
0 Meter Terhubung Kecepatan pengiriman tetap stabil dan
10 Meter Terhubung konstan hingga jarak 40 meter.
20 Meter Terhubung 3. Dari hasil pengujian jarak komunikasi
30 Meter Terhubung diperoleh kesimpulan bahwa ESP-NOW
40 Meter Terhubung memiliki jarak komunikasi hingga up to
50 Meter Terhubung 100 meter dengan kondisi tetap stabil
60 Meter Terhubung dan masih terhubung.
70 Meter Terhubung 4. Dari hasil pengujian data loss
80 Meter Terhubung diperoleh kesimpulan bahwa ESP-
90 Meter Terhubung NOW memiliki performa yang stabil
100 Meter Terhubung dalam mengirim data lebih dari 100
meter secara utuh atau 0 data loss.

4.2 Saran
Adapun saran untuk penelitian
3.4 Pengujian Data Loss
kedepannya, antara lain:
Pada pengujian data loss komunikasi

35
 ISSN No. 2809-7548
Jurnal Conference on Automation Engineering and Its Application
Volume 2, Tahun 2022
Program Studi D4 Teknik Otomasi – Politeknik Perkapalan Negeri Surabaya
1. Menambah jarak pengujian DISABILITAS AMPUTASI
komunikasi agar bisa mengetahui MENGGUNAKAN EXTREME
batas maksimal jarak yang bisa LEARNING MACHINE
digunakan oleh ESP-NOW secara BERBASIS KOMPUTER.
akurat. Jember: s.n.
2. Selalu cek sambungan kabel [7] Munadhif, I. & Pradhipta, I., 2021.
dikarenakan sensor terkadang tidak Perbandingan Neural Network
terbaca disebabkan oleh kabel Backpropagation dan Extreme
penghubung kurang kencang. Learning Machine. REKAYASA,
pp. 301-306.
5. DAFTAR PUSTAKA
[8] Razor, A., 2019. Software Arduino
[1] Afridanil, W., 2015. RANCANG IDE: Cara Download, Instal,
BANGUN SISTEM KENDALI dan Fungsinya. [Online]
ROBOT TANGAN. Jurnal Available at:
Fisika Unand, Volume 4, pp. https://www.aldyrazor.com/2020
375-382. /05/software-arduino-ide.html.
[2] Alfianto, I., Falih, A. & Dr. Abdul [Accessed 25 Januari 2022].
Halim, M., 2020. Robot Arm [9] Robby, M. N., 2017.
Teleoperative System Design PERANCANGAN SIMULATOR
with Flex Sensor. Technium, pp. GERAK DAN SISTEM
390-397. MONITORING UNTUK
[3] Fadlirrahman, M. T., 2017. ROBOT MENGGERAKKAN DAN
BERODA DILENGKAPI MEMONITORING TANGAN
DENGAN LENGAN. Malang: PALSU ELEKTRIK. Surabaya:
JURUSAN ELEKTRO. s.n.
[4] Habibi, M. Y. & Riksakomara, E., [10] Salamah, U., Wiharto &
2017. Peramalan Harga Garam Salamah, U., 2012. Pengaruh
Konsumsi Menggunakan Normalisasi Data pada Jaringan
Artificial Neural Network Syaraf Tiruan Backpropagasi
Feedforward-Backpropagation Gradient Descent Adaptive Gain
(Studi Kasus : PT. Garam Mas, (BPGDAG) untuk Klasifikasi.
Rembang, Jawa Tengah). ITSMART, I(1), pp. 29-30.
JURNAL TEKNIK ITS, VI(2), p. [11] Ulfah, I. Z., 2022. PREDIKTOR
307. KECEPATAN ANGIN DAN
[5] Handika, I. P. S., Giriantari, I. & KETINGGIAN GELOMBANG
Dharma, A., 2016. Perbandingan LAUT MENGGUNAKAN
Metode Extreme Learning METODE NEURAL-NETWORK
Machine dan Particle Swarm UNTUK MEMASTIKAN
Optimization Extreme Learning KEAMANAN
Machine untuk Peramalan KEBERANGKATAN KAPAL.
Jumlah Penjualan Barang. Surabaya: s.n.
Teknologi Elektro, Volume 15, [12] Veronica, M. & Utari, D. W.,
pp. 84-90. 2014. Rancang Bangun Jari
[6] Lusi, M. N., 2019. PERANCANGAN Tangan Robot Pengikut
SISTEM KENDALI PADA Pergerakan Jari Tangan Manusia.
PERGERAKAN JARI ROBOT STMIK GI MDP.
TANGAN BAGI PENDERITA

36