<![CDATA[Manusia memiliki keterbatasan dalam mengerjakan hal-hal yang berat, rumit, cepat, berbahaya, berulang-ulang secara langsung baik itu di kalangan rumah tangga, industri, militer, penelitian, hiburan, dsb. Robot merupakan mesin yang dapat mempermudah pekerjaan dan mengatasi keterbatasan manusia, sedangkan AI dapat membuat robot semakin cerdas. Berbagai macam metode AI telah diusulkan untuk mengatasi salah satu teknik navigasi robot, yaitu wall-following robot navigation, namun masih belum optimal. State of the art dalam klasifikasi wall-following robot navigation data adalah MLP dengan akurasi sebesar 97.59%. Namun akhir-akhir ini, state of the art dalam klasifikasi pattern recognition adalah SVM. Wall- following robot navigation data melibatkan multi-class, non-linear, dan high dimensional problem. 1V1 merupakan strategi terbaik yang dapat diterapkan pada SVM untuk mengatasi multi class problem yang selanjutnya dapat disebut multi-class SVM. Sedangkan untuk mengatasi non-linear dan high dimensional problem, SVM sendiri sudah dimodifikasi dengan memasukkan fungsi Kernel. Dengan demikian, akurasi sebesar 97.59% yang dihasilkan oleh MLP untuk klasifikasi wall-following robot navigation data masih dianggap rendah. Namun model multi-class SVM menggunakan strategi 1V1 untuk klasifikasi wall-following robot navigation data yang diperoleh dengan solusi yang global optimal dan tanpa perlu adanya dimensionality reduction (by PCA/SVD) dalam tingkat akurasi fair classification, yaitu 91.10% < 97.59% yang dihasilkan penelitian sebelumnya menggunakan MLP. Namun secara teoritis, multi-class SVM menggunakan strategi 1V1 lebih cepat dengan waktu proses yang dihasilkan = 10.7505 detik. Dengan demikian, model tersebut dapat mempelajari navigasi robot pengikut dinding tanpa tabrakan (menjaga jarak terhadap dinding dengan baik).]]>
Copyrights © 2017
