RANCANG BANGUN SMART BLIND STICK TUNASIGHT 4.0 DENGAN METODE PROTOTYPING MENGGUNAKAN ARDUINO DAN NEURAL NETWORK UNTUK NAVIGASI ADAPTIF

Andi Miftahul Ahyar, NIM.: 20106060043 (2024) RANCANG BANGUN SMART BLIND STICK TUNASIGHT 4.0 DENGAN METODE PROTOTYPING MENGGUNAKAN ARDUINO DAN NEURAL NETWORK UNTUK NAVIGASI ADAPTIF. Skripsi thesis, UIN SUNAN KALIJAGA YOGYAKARTA.

Preview	Text (RANCANG BANGUN SMART BLIND STICK TUNASIGHT 4.0 DENGAN METODE PROTOTYPING MENGGUNAKAN ARDUINO DAN NEURAL NETWORK UNTUK NAVIGASI ADAPTIF) 20106060043_BAB-I_IV-atau-V_DAFTAR-PUSTAKA.pdf - Published Version Download (2MB) | Preview
	Text (RANCANG BANGUN SMART BLIND STICK TUNASIGHT 4.0 DENGAN METODE PROTOTYPING MENGGUNAKAN ARDUINO DAN NEURAL NETWORK UNTUK NAVIGASI ADAPTIF) 20106060043_BAB-II_sampai_SEBELUM-BAB-TERAKHIR.pdf - Published Version Restricted to Registered users only Download (5MB) | Request a copy

Abstract

Penyandang tunanetra menghadapi tantangan substansial dalam mobilitas sehari-hari, terutama karena keterbatasan tongkat tunanetra konvensional yang tidak adaptif, tidak dapat mendeteksi objek di sekitar, tidak mampu mengukur jarak terhadap objek, dan tidak menerapkan prinsip ergonomis yang cukup. Keterampilan navigasi adaptif menjadi esensial mengingat keragaman kondisi lingkungan yang mungkin dihadapi oleh pengguna. Oleh karena itu, penelitian ini bertujuan untuk merancang dan mengembangkan smart blind stick Tunasight 4.0 dengan integrasi prototyping dan neural network menggunakan Arduino, yang dapat menangani kompleksitas lingkungan dan meningkatkan adaptabilitas serta kenyamanan pengguna. Hasil penelitian menunjukkan bahwa sistem yang dirancang menggunakan dua mikrokontroler utama, yaitu Arduino UNO dan XIAO ESP322S3, serta tiga komponen sensor utama, yaitu Grove Vision AI Module v2, buzzer, dan sensor ultrasonik HCSR05. Berdasarkan uji black box, smart blind stick ini mampu mendeteksi lima jenis objek: brailleblock, crosswalk, jalan berlubang, tangga turun, dan tangga naik. Objek-objek tersebut berhasil dideteksi oleh sistem yang telah dilatih menggunakan algoritma neural network Swift_YOLO dengan nilai IoU di atas 60, yang menunjukkan bahwa sistem ini berfungsi dengan baik dalam mendeteksi objek di sekitar pengguna.

Share this knowledge with your friends :

Actions (login required)

View Item