TECHSIGHT HELM: ALAT BANTU HELM UNTUK TUNANETRA BERBASIS RASPBERRY PI 4, ESP32-CAM DAN ESP32 DEVKIT V1 MENGGUNAKAN KOMUNIKASI PROTOKOL I2C DAN TOPOLOGI BINTANG
Total View This Week0
Total View This Week0
Institusion
Institut Teknologi Kalimantan
Author
Devara, Bintang Villa
Subject
HN Social history and conditions. Social problems. Social reform
Datestamp
2025-01-09 02:55:25
Abstract :
Penelitian ini mengembangkan alat bantu berbentuk helm yang ditujukan untuk tunanetra, bernama TechSight Helm, yang menggunakan integrasi sensor dan kamera untuk mendeteksi halangan secara real-time. Sistem ini memanfaatkan modul ESP32-CAM sebagai kamera untuk menangkap citra lingkungan dan lima sensor ultrasonik RCWL-1601 yang terhubung melalui ESP32 DevKit V1 untuk mengukur jarak obstacle. Topologi jaringan yang digunakan adalah topologi bintang, dengan ESP32 DevKit V1 sebagai pusat jaringan untuk menghubungkan sensor dan Raspberry Pi 4, yang bertugas sebagai pemroses utama. Raspberry Pi 4 mengolah data dari sensor dan kamera menggunakan metode YOLOv8 untuk mendeteksi dan mengklasifikasikan objek serta mengonversi informasi tersebut menjadi suara melalui library python Text-to-Speech. Pengujian dilakukan dengan dua fokus utama: pertama, mengukur kecepatan respon sensor RCWL-1601 pada simulasi topologi jaringan bintang yang dibandingkan dengan simulasi topologi bus; kedua, mengevaluasi keakuratan pengukuran jarak deteksi objek oleh sistem. Topologi jaringan bintang memiliki kecepatan rata-rata kecepatan 8 milidetik, sedangkan pada topologi jaringan bus memiliki rata-rata kecepatan 15.8 milidetik pada pengujian yang dilakukan. Hasil uji coba sensor RCWL-1602 dengan halangan berupa orang memiliki tingkat rata-rata akurasi 94.05% dan rata-rata error sebesar 5.95%, dengan halangan berupa pintu memiliki tingkat rata-rata akurasi 97.43% dan rata-rata error sebesar 2.57%, dengan halangan berupa kipas memiliki tingkat rata-rata akurasi 87.86% dan rata-rata error sebesar 12.14%, dengan halangan berupa kasur memiliki tingkat rata-rata akurasi 49.40% dan rata-rata error sebesar 50.60%, dengan halangan berupa kursi memiliki tingkat rata-rata akurasi 94.56% dan rata-rata error sebesar 5.44%, dengan halangan berupa meja memiliki tingkat rata-rata akurasi 99.56% dan rata-rata error sebesar 0.44%, terakhir adalah dengan halangan berupa sofa memiliki tingkat rata-rata akurasi 99.95% dan rata-rata error sebesar 0.05%. Hal ini menunjukkan performa sensor rata rata memiliki hasil sangat baik dalam mengukur jarak halangan, bahkan beberapa memiliki tingkat akurasi yang hampir sempurna.
Penelitian ini mengembangkan alat bantu berbentuk helm yang ditujukan untuk tunanetra, bernama TechSight Helm, yang menggunakan integrasi sensor dan kamera untuk mendeteksi halangan secara real-time. Sistem ini memanfaatkan modul ESP32-CAM sebagai kamera untuk menangkap citra lingkungan dan lima sensor ultrasonik RCWL-1601 yang terhubung melalui ESP32 DevKit V1 untuk mengukur jarak obstacle. Topologi jaringan yang digunakan adalah topologi bintang, dengan ESP32 DevKit V1 sebagai pusat jaringan untuk menghubungkan sensor dan Raspberry Pi 4, yang bertugas sebagai pemroses utama. Raspberry Pi 4 mengolah data dari sensor dan kamera menggunakan metode YOLOv8 untuk mendeteksi dan mengklasifikasikan objek serta mengonversi informasi tersebut menjadi suara melalui library python Text-to-Speech. Pengujian dilakukan dengan dua fokus utama: pertama, mengukur kecepatan respon sensor RCWL-1601 pada simulasi topologi jaringan bintang yang dibandingkan dengan simulasi topologi bus; kedua, mengevaluasi keakuratan pengukuran jarak deteksi objek oleh sistem. Topologi jaringan bintang memiliki kecepatan rata-rata kecepatan 8 milidetik, sedangkan pada topologi jaringan bus memiliki rata-rata kecepatan 15.8 milidetik pada pengujian yang dilakukan. Hasil uji coba sensor RCWL-1602 dengan halangan berupa orang memiliki tingkat rata-rata akurasi 94.05% dan rata-rata error sebesar 5.95%, dengan halangan berupa pintu memiliki tingkat rata-rata akurasi 97.43% dan rata-rata error sebesar 2.57%, dengan halangan berupa kipas memiliki tingkat rata-rata akurasi 87.86% dan rata-rata error sebesar 12.14%, dengan halangan berupa kasur memiliki tingkat rata-rata akurasi 49.40% dan rata-rata error sebesar 50.60%, dengan halangan berupa kursi memiliki tingkat rata-rata akurasi 94.56% dan rata-rata error sebesar 5.44%, dengan halangan berupa meja memiliki tingkat rata-rata akurasi 99.56% dan rata-rata error sebesar 0.44%, terakhir adalah dengan halangan berupa sofa memiliki tingkat rata-rata akurasi 99.95% dan rata-rata error sebesar 0.05%. Hal ini menunjukkan performa sensor rata rata memiliki hasil sangat baik dalam mengukur jarak halangan, bahkan beberapa memiliki tingkat akurasi yang hampir sempurna.
File :
11211024_cover.pdf
11211024_statement_of_authenticity.pdf
11211024_chapter_1.pdf
11211024_chapter_2.pdf
11211024_chapter_3.pdf
11211024_chapter_4.pdf
11211024_conclusions.pdf
11211024_bibliography.pdf
11211024_enclosure.pdf
11211024_paper.pdf
11211024_presentation.pdf
11211024_Form. TA-020.pdf
11211024_publishing_agreement.pdf
11211024_approval_sheet.pdf
11211024_preface.pdf
11211024_abstract_id.pdf
11211024_abstract_en.pdf
11211024_table_of_content.pdf
11211024_illustrations.pdf
11211024_tables.pdf
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
