Sistem Pengenalan Gawang Pada Robot Tabletop Nav Menggunakan Metode Faster Rcnn

Robogames adalah kompetisi di Amerika Serikat dengan lebih dari 50 kategori, salah satunya TableTop Nav Challenges. Tantangan ini menuntut peserta untuk membuat robot otonom yang mampu melakukan tugas di atas meja tanpa jatuh, termasuk mencari objek dan mendorongnya ke dalam kotak sepatu yang ditempatkan di tepi meja. Tantangan muncul ketika posisi robot dan kotak sepatu tidak diketahui, karena penempatan objek dilakukan secara acak, sehingga ukuran, warna, dan jarak kotak sepatu menjadi tidak pasti. Robot membutuhkan sistem deteksi objek yang mampu mengenali kotak sepatu dalam kondisi ini. Salah satu metode yang digunakan adalah Faster RCNN, arsitektur deteksi objek berbasis deep learning yang menawarkan akurasi dan kecepatan deteksi lebih baik dibanding pendahulunya, Fast RCNN. Faster RCNN menggabungkan Convolutional Neural Network (CNN) dan Regional Proposal Network (RPN) untuk klasifikasi dan lokalisasi objek. Dalam penelitian ini, Resnet50 dipilih sebagai arsitektur CNN karena kemampuannya dalam menjaga kualitas output dan rendahnya tingkat kehilangan. Format Pascal VOC digunakan untuk dataset karena kesederhanaannya, dengan data primer dan sekunder dikumpulkan melalui Kaggle. Augmentasi data juga dilakukan untuk memperbesar jumlah dataset. Hasil penelitian menunjukkan model ini mampu mendeteksi kotak sepatu di atas meja dengan tingkat keberhasilan 42%, dan 88% dalam jarak 0-54 cm. Kinerja model ini dipengaruhi oleh pencahayaan dan posisi sumber cahaya, sehingga diperlukan dataset lebih besar untuk meningkatkan kinerja deteksi objek.