Implementasi Teachable Object Recognition Pada Sistem Kendali Robot Delta

Tugas akhir ini mengimplementasikan sistem Teachable Object Recognition pada robot Delta untuk meningkatkan fleksibilitas otomasi industri. Sistem ini memungkinkan pengguna mengajarkan pengenalan objek baru secara dinamis melalui antarmuka pengguna grafis (GUI) yang intuitif tanpa training ulang yang kompleks. Dengan memanfaatkan industrial mini PC, algoritma ini menggunakan metode feature extraction dan klasifikasi K-Nearest Neighbor (KNN) untuk identifikasi objek secara real-time melalui kamera. Hasil pengujian menunjukkan performa yang sangat baik untuk objek dengan fitur unik, di mana bentuk lingkaran mencapai nilai Precision, Recall, dan F1-Score ideal sebesar 1.0. Namun, sistem menghadapi tantangan dalam membedakan bentuk geometris yang mirip, seperti persegi panjang dan persegi yang masing-masing mencatatkan F1-Score 0.67 dan 0.68. Integrasi dengan sistem kendali robot Delta melalui protokol Modbus TCP/IP terbukti sangat andal. Data koordinat objek yang terdeteksi berhasil dikirimkan secara konsisten dan akurat ke kontroler robot. Tugas akhir ini berhasil mendemonstrasikan pengembangan sistem robotik yang lebih adaptif dan efisien untuk mengenali objek baru di lingkungan industri.