Penerapan Backpropagation untuk Meningkatkan Efektivitas Waktu dan Akurasi pada Data Wall-Following Robot Navigation

Abstract

Mobile robot adalah sebuah mesin otomatis yang mampu bergerak pada suatu kondisi tertentu sehingga mobile robot membutuhkan sistem navigasi yang baik. Untuk bernavigasi dengan baik, dibutuhkan adaptasi yang cepat dan respon yang sesuai terhadap kejadian baru yang terjadi di sekitarnya. Dalam navigasi robot, terdapat indikasi bahwa pola klasifikasinya bersifat nonlinier. Oleh karena itu, navigasi robot dapat menggunakan algoritma backpropagation untuk menginterpretasikan input sensor yang dimiliki robot. Dalam tugas akhir ini akan dicari pendekatan yang dapat membuat penerapan backpropagation dalam data wall-following robot navigation lebih efektif. Proses pelatihan ini dapat dikatakan lebih efektif apabila dalam pelatihan tersebut dibutuhkan waktu yang lebih singkat namun tetap mampu mempertahankan atau bahkan dapat meningkatkan akurasi. Dalam penelitian ini digunakan lima variasi pelatihan backpropagation yaitu gradient descent backpropagation, gradient descent with momentum backpropagation, gradient descent with adaptive learning rate backpropagation, gradient descent with momentum and adaptive learning rate backpropagation, dan Levenberg-Marquardt backpropagation. Berdasarkan kecepatan pelatihan, pelatihan Levenberg-Marquardt backpropagation mempunyai MSE yang lebih cepat konvergen daripada pelatihan lainnya. Sedangkan berdasarkan akurasi, pelatihan gradient descent with momentum and adaptive learning rate memiliki ketepatan klasifikasi yang paling baik untuk data testing. Dalam navigasi robot, lebih diutamakan pemilihan bobot dan bias yang dapat menghasilkan akurasi yang paling baik untuk testing. Oleh karena itu, disimpulkan bahwa gradient descent with momentum and adaptive learning rate merupakan pelatihan yang terbaik untuk digunakan sebagai dasar sistem navigasi robot.