Implementasi Reinforcement Learning untuk Perencanaan Jalur Autonomous Mobile Robot pada Proses Material Handling

Putri, Nabila Amalia (2025) Implementasi Reinforcement Learning untuk Perencanaan Jalur Autonomous Mobile Robot pada Proses Material Handling. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5010211114-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (4MB) | Request a copy

Abstract

Autonomous Mobile Robot (AMR) menjadi salah satu solusi untuk meningkatkan efiseinsi dan flesibilitas dari proses material handling. Namun, terdapat tantangan dalam penggunaan AMR salah satunya adalah dalam proses perencanaan jalur dengan rute yang optimal dan obstacle avoidance. Pada umumnya dalam perencanaan jalur digunakan algoritma A*. Algoritma tersebut kurang efektif apabila diterapkan pada lingkungan yang besar dan dengan rintangan yang variatif. Maka dari itu, dilakukan penelitian untuk menganalisis penerapan Reinforcement Learning (RL) dalam perencanaan jalur proses material handling pada AMR serta menganalisis efektivitas algoritma Reinforcement Learning (RL) dan algoritma konvensional, algoritma A* dalam perencanaan rute material handling pada AMR. Algoritma RL yang dipilih adalah algoritma Deep Q-Learning, karena algoritma tersebut memiliki kemampuan untuk beradaptasi dengan cepat dalam lingkungan yang dinamis dan kompleks, optimalisasi jalur secara otomatis, serta memiliki tingkat keberhasilan dalam navigasi lebih dari 90%. Model RL akan dibangun menggunakan phyton pada Google Colab dan diuji dengan lingkungan Toyota Production System, fixed position layout, dan lingkungan dengan alur putar balik. Berdasarkan hasil penelitian diketahui bahwa algoritma A* efektif apabila digunakan untuk perencanaan jalur pada TPS dengan layout tetap dan alur tetap. Sedangkan algoritma Deep Q-Learning kurang efektif untuk layout TPS, karena membutuhkan waktu yang lebih lama dalam penemuan jalur, terdapat waktu pelatihan. Algoritma Deep Q-Learning memiliki keunggulan dalam mengatasi penemuan jalur pada layout produksi dengan alur yang dinamis yaitu alur dengan titik awal yang berbeda namun memiliki satu titik tujuan yang sama seperti halnya pada fixed position layout
==================================================================================================================================
Autonomous Mobile Robot (AMR) is one of the solutions to increase the efficiency and flexibility of the material handling process. However, there are challenges in the use of AMR, one of which is in the process of planning routes with optimal routes and obstacle avoidance. In general, in route planning, the A* algorithm is used. The algorithm is less effective when applied in large environments and with varying obstacles. Therefore, a study was conducted to analyze the application of Reinforcement Learning (RL) in the planning of material handling process paths in AMR and to analyze the effectiveness of the Reinforcement Learning (RL) algorithm and the conventional algorithm, algorithm A* in planning material handling routes in AMR. The RL algorithm chosen is the Deep Q-Learning algorithm, because it has the ability to adapt quickly in dynamic and complex environments, automatically optimize paths, and has a success rate in navigation of more than 90%. The RL model will be built using python on Google Colab and tested with Toyota Production System environments, fixed position layouts, and environments with a detour flow. Based on the results of the study, it is known that the A* algorithm is effective when used for route planning at polling stations with fixed layouts and fixed flows. While the Deep Q-Learning algorithm is less effective for TPS layouts, because it takes longer to find the path, there is training time. The Deep Q-Learning algorithm has the advantage of overcoming path discovery in production layouts with dynamic flows, namely flows with different starting points but having the same destination point as in fixed position layouts.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Reinforcement Learning, Deep Q-Learning, Perencanaan Jalur, Autonomous Mobile Robot, Material Handling, Artificial Intelligence, Algoritma A*
Subjects:	T Technology > TJ Mechanical engineering and machinery > TJ211.415 Mobile robots
Divisions:	Faculty of Industrial Technology and Systems Engineering (INDSYS) > Industrial Engineering > 26201-(S1) Undergraduate Thesis
Depositing User:	Nabila Amalia Putri
Date Deposited:	30 Jul 2025 06:15
Last Modified:	30 Jul 2025 06:15
URI:	http://repository.its.ac.id/id/eprint/123896

Actions (login required)

View Item