Integrasi Metode Sampling Goal Biassing, Gaussian, Dan Boundary Pada Algoritma Rapidly Exploring Random Tree*

Algoritma perencanaan jalur adalah untuk menemukan lintasan yang membawa robot dari keadaan awal (start) ke keadaan tujuan (goal) sambil menghindari tabrakan dengan rintangan. Dalam perencanaan jalur, berbagai aplikasi telah digunakan seperti animasi, kedokteran, pesawat, dll. Tujuan penelitian ini adalah merancang metode sampling baru dengan cara melakukan integrasi metode sampling berbasis goal biassing, Gaussian dan Boundary lalu mengimplementasikannya pada masalah perencanaan jalur menggunakan algoritma Rapidly Exploring Random Tree* (RRT*). Metode sampling tersebut kami namakan metode sampling integrasi. Algoritma perencanaan jalur menggunakan metode sampling integrasi ini diimplementasikan pada bahasa pemograman Labview. Parameter algoritma pada Labview dapat dimodifikasi untuk mengamati performansi output dari algoritma RRT*. Pengujian dilakukan pada lingkungan obstacle clutter, SquareField BW, dan trap, dimana pengujian dilakukan 20 kali percobaan pada masing-masing obstacle. Pengujian dilakukan untuk membandingan jarak jalur serta waktu komputasi dari algoritma RRT* yang menggunakan metode sampling integrasi, terhadap algoritma RRT* yang menggunakan metode sampling Gaussian, dan Boundary. Berdasarkan hasil pengujian, diperoleh bahwa algoritma RRT* yang menggunakan metode sampling integrasi dapat menghasilkan jalur yang lebih pendek dibandingkan dengan algoritma RRT* yang menggunakan metode Gaussian maupun algoritma RRT* yang menggunakan sampling Boundary. Perbandingan waktu komputasi yang dihasilkan lebih cepat metode integrasi dibandingkan dengan Gaussian. Akan tetapi, pada perbandingan dengan Boundary menunjukkan bahwa Boundary memerlukan lebih sedikit waktu dibandingkan dengan integrasi. Maka dari itu dapat disimpulkan bahwa algortima Rapidly Exploring Random Tree* metode integrasi lebih unggul dibandingkan dengan metode Gaussian maupun metode Boundary.