Evaluasi Prediksi Dimensi Panjang Objek Berbasis Convolutional Neural Network Dengan Menggunakan Pencekam Lunak Dua Jari

Abstract

Penelitian ini membahas perancangan dan pengembangan sistem prediksi dimensi panjang objek berbasis pencekam lunak (soft gripper) dua jari dan Convolutional Neural Network (CNN). Pencekam dirancang menggunakan material elastomer yang mampu mengalami deformasi saat mencengkeram objek silinder, yang kemudian divisualisasikan melalui kamera RGB. Citra deformasi tersebut digunakan sebagai masukan CNN untuk melakukan prediksi regresi terhadap diameter objek yang dicengkeram. Pengujian dilakukan dengan berbagai resolusi gambar (32×32 hingga 256×256 piksel) dan jumlah epoch (25, 50, 75, 100), di mana hasil terbaik diperoleh pada resolusi 32×32 piksel dengan 75 epoch, menghasilkan MAE minimum sebesar 0.0606 cm. Selain itu, dilakukan analisis terhadap pengaruh variasi sudut pandang kamera terhadap akurasi prediksi, menunjukkan bahwa sudut tegak lurus (θ = 0°) menghasilkan akurasi tertinggi. Model juga diuji terhadap objek acak, dan menunjukkan generalisasi yang baik dengan MAE di bawah 1%. Temuan ini menunjukkan potensi integrasi antara robotika lunak dan visi komputer berbasis deep learning dalam sistem pengukuran objek yang fleksibel dan cerdas.