Penerapan Simulasi AI Sistem Drone Ganda untuk Optimasi Lintasan pada Pemantauan Perkebunan
Penulis
-
Tedi Sumardi
Lab Cognitive Sciences, Instrumentation and Control (CIC), Program Studi Fisika, Universitas Mandiri
-
M. Agung Suhendra
Lab Cognitive Sciences, Instrumentation and Control (CIC), Program Studi Fisika, Universitas Mandiri
-
Iqbal Robiyana
Lab Cognitive Sciences, Instrumentation and Control (CIC), Program Studi Fisika, Universitas Mandiri
-
Anderias Eko Wijaya
Universitas Mandiri
https://doi.org/10.47561/jtik.v18i1.286
This Abstract has been read 566 times
Abstrak
Sistem pemantauan berbasis drone telah menjadi solusi efektif untuk meningkatkan efisiensi pengawasan lahan pertanian skala besar, khususnya pada perkebunan kelapa sawit. Penelitian ini mengusulkan simulasi berbasis kecerdasan buatan (AI) menggunakan dua drone untuk memetakan lintasan optimal secara terdistribusi. Simulasi dilakukan dengan memperhitungkan pengaruh angin acak terhadap akurasi lintasan menggunakan pendekatan grid waypoints dalam area kebun. Hasil menunjukkan bahwa kedua drone mampu menyelesaikan inspeksi lahan dengan deviasi rata-rata akibat angin sebesar ±0.14 meter, menunjukkan kestabilan sistem dalam kondisi lingkungan dinamis. Drone 1 menyelesaikan misi sejauh 8888.14 m dan Drone 2 sejauh9827.74 m. Hasi simulasi trajektori dalam grafik 3D memperlihatkan penyimpangan lintasan yang tetap terkendali. Penelitian ini menjadi dasar untuk pengembangan sistem otonom berbasis drone yang lebih adaptif dan efisien dalam konteks pemantauan pertanian cerdas.
Keywords: Drone simulasi, Efek angin, Pemantauan perkebunan, Smart farming
CITATIONS
Unduhan
Referensi
A. Tokekar, J. Vander Hook, D. Mulla, and V. Isler, “Sensor planning for a symbiotic UAV and UGV system for precision agriculture,” IEEE Trans. Robot., vol. 32, no. 6, pp. 1498–1511, Dec. 2016.
R. B. R. Warasthe, A. D. Kulkarni, and V. L. Uplane, “Autonomous drone navigation in GPS-denied environment using artificial intelligence,” in Proc. 2021 Int. Conf. Emerg. Smart Comput. Inform. (ESCI), Pune, India, 2021, pp. 46–50.
Y. Huang et al., “Deep learning-based path planning for agricultural UAV,” IEEE Access, vol. 8, pp. 113944–113956, 2020.
P. Rudol and P. Doherty, “Human body detection and geolocalization for UAV search and rescue missions using color and thermal imagery,” in Proc. 2008 IEEE Aerosp. Conf., Big Sky, MT, USA, 2008, pp. 1–8.
C. N. Eze, S. Zhang, and E. Liu, “Autonomous path planning for UAVs using reinforcement learning and evolutionary computation,” IEEE Access, vol. 7, pp. 180246–180260, 2019.
A. R. Mosteo et al., “Multi-robot exploration under the priority target model,” IEEE Trans. Robot., vol. 33, no. 4, pp. 1048–1062, Aug. 2017.
S. LaValle, Planning Algorithms. Cambridge, U.K.: Cambridge Univ. Press, 2006.
R. K. Gupta, Y. H. Zweiri, and L. Seneviratne, “Modeling wind disturbance for UAVs in urban environments,” in Proc. 2013 IEEE Int. Conf. Syst., Man, Cybern., Manchester, U.K., 2013, pp. 3887–3892.
A. Breitenmoser, M. Schwager, J.-C. Metzger, R. Siegwart, and D. Rus, “Voronoi coverage of non-convex environments with a group of networked robots,” in Proc. 2010 IEEE Int. Conf. Robot. Autom., Anchorage, AK, USA, 2010, pp. 4982–4989.
D. Popescu, M. Ichim, and D. S. Gorunescu, “Using simulations in multi-agent systems for aerial drone applications,” IEEE Access, vol. 9, pp. 77692–77703, 2021.
A. Rakotomamonjy, V. Guigue, A. Malerba, and M. Clerc, “Evaluating the use of SVM and HMM classifiers for the inference of hand movements from EEG signals,” Neurocomputing, vol. 71, no. 10–12, pp. 2482–2495, 2008.
##submission.downloads##
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Tedi Sumardi, M. Agung Suhendra, Iqbal Robiyana, Anderias Eko Wijaya
This work is licensed under a Creative Commons Attribution 4.0 International License.
