Muhammad Salam Pararta Saragi
Universitas Pendidikan Indonesia

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

LiDAR and Visual Perception-Based Indoor Semantic Mapping: Comparative Study of GMapping and SLAM Toolbox Muhammad Salam Pararta Saragi; Deden Pradeka; Anugrah Adiwilaga; Dyah Kusuma Dewi; Roni Permana Saputra
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 6 No. 1 (2026): MALCOM January 2026
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v6i1.2521

Abstract

This study investigates semantic embedding strategies for indoor mapping by comparing Trajectory-Based Payload Embedding (TPE) in GMapping and Pose-Based Payload Embedding (PPE) in SLAM Toolbox. A custom Turtlebot3 platform equipped with a 2D LiDAR and six RGB cameras was used in the Gazebo simulation to acquire geometric and visual data. Object segmentation results from YOLOv11 were integrated into occupancy grids using two distinct embedding workflows: scan-level batch attachment in TPE and point-level graph persistence in PPE. Performance evaluation employed two metrics: pixel-level accuracy and time cost under three varied velocity conditions, followed by a comparative analysis. Results show that PPE achieved higher accuracy (mean 86.83%) and lower variability, while maintaining negligible time cost (<0.5 ms). TPE, although simpler to implement, exhibited greater sensitivity to motion dynamics and higher computational variability (average 350.47 ms). These findings highlight a trade-off between accuracy and efficiency, suggesting PPE as the more suitable approach for real-time semantic SLAM, while TPE remains useful for lightweight integration scenarios. Beyond quantitative results, the study contributes methodological insights into how embedding granularity and persistence affect semantic consistency, offering guidance for future implementations in both simulated and real-world robotic navigation.
Pembentukan Creativity-Driven Future melalui Pembelajaran Berbasis Robotika pada Siswa di SMK Negeri 1 Sumedang Munawir; Muhammad Taufik Dwi Putra; Deden Pradeka; Anugrah Adiwilaga; Devi Aprianti Rimadhani Agustini; Zahra Khaerunnisa; Muhammad Salam Pararta Saragi
Jurnal Abdimas Mandiri Vol. 10 No. 1 (2026)
Publisher : UNIVERSITAS INDO GLOBAL MANDIRI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36982/jam.v10i1.6304

Abstract

Dalam menghadapi tantangan Society 5.0 yang menekankan integrasi sinergis antara manusia dan teknologi, pendidikan vokasi memainkan peran krusial dalam membekali siswa dengan kompetensi relevan. Pengabdian kepada Masyarakat ini bertujuan untuk meningkatkan kemampuan berpikir kreatif siswa SMK melalui pembelajaran berbasis robotika. Metodologi yang digunakan berupa pelatihan, dan dilaksanakan selama dua hari di SMK Negeri 1 Sumedang dengan melibatkan 40 siswa dari program studi Rekayasa Perangkat Lunak, Teknik Komputer dan Jaringan, serta Elektro. Pelatihan difokuskan pada perakitan dan pemrograman Multi-Functional Mobile Robot (MMR) yang mengintegrasikan tiga fitur: Bluetooth Control, Obstacle Avoider, dan Line Follower. Evaluasi efektivitas pelatihan dilakukan melalui pre-test, post-test, dan Torrance Test untuk mengukur peningkatan kompetensi teknis dan kreativitas. Hasil analisis menggunakan uji normalitas gain (N-gain) menunjukkan peningkatan signifikan pada pemahaman konsep robotika dan kelistrikan dengan nilai N-gain di atas 0.9. Sementara itu, hasil Torrance Test menunjukkan pengembangan kreativitas siswa dengan nilai rata-rata tertinggi pada aspek elaborasi (1.94) dan keabstrakan judul (1.92). Secara keseluruhan, pelatihan ini berhasil meningkatkan 86.6% kemampuan siswa dalam lingkup creativity-driven future, menunjukkan bahwa pembelajaran berbasis robotika melalui pendekatan proyek merupakan strategi efektif untuk mempersiapkan siswa menghadapi tantangan Society 5.0. Rekomendasi untuk pengembangan ke depan meliputi perpanjangan durasi pelatihan dan pengayaan fitur robot untuk meningkatkan kompleksitas pembelajaran.