DOI: https://doi.org/10.14710/transmisi.27.1.64-69

PENGEMBANGAN SISTEM MEKANIKA DAN DINAMIKA PADA ROBOT EDUKASI BERBASIS IOT DAN ESP32

Ahmad Rofi'i orcid scopus  -  Politeknik Negeri Jember, Indonesia
*Fendik Eko Purnomo  -  Politeknik Negeri Jember, Indonesia
Muhammad Irwan Nari  -  Politeknik Negeri Jember, Indonesia
Syamsiar Kautsar  -  Politeknik Negeri Jember, Indonesia
Aditya Wahyu Winardi  -  Politeknik Negeri Jember, Indonesia
Salsabila Liandra Putri  -  Politeknik Negeri Jember, Indonesia
Nuzula Afianah  -  Politeknik Negeri Jember, Indonesia
Nurul Zainal Fanani  -  Politeknik Negeri Jember, Indonesia
Faisal Luthfi Alfiansyah  -  Politeknik Negeri Jember, Indonesia
HAP Koesacep  -  Politeknik Negeri Jember, Indonesia
Haniatun Nafsiyah  -  Politeknik Negeri Jember, Indonesia
Muhammad Kindi  -  Politeknik Negeri Jember, Indonesia
Dikirim: 22 Okt 2024; Diterbitkan: 31 Jan 2025.
Akses Terbuka Copyright (c) 2025 Transmisi: Jurnal Ilmiah Teknik Elektro under http://creativecommons.org/licenses/by-sa/4.0.

Citation Format:
Sari
Fokus penelitian adalah mengembangkan mekanika dan dinamika pada robot edukasi berbasis IoT dan ESP32. Selain juga  untuk memperkenalkan robotika sebagai media yang efektif dalam pembelajaran. Robot ini memiliki sistem penggerak diferensial dan lengan pengangkat yang mirip dengan sistem forklift. Robot ini dikontrol menggunakan mikrokontroler ESP32 dan terhubung ke aplikasi Android melalui basis data cloud Firebase. Dengan memanfaatkan platform IoT, pelatihan dapat dilakukan secara daring, yang memungkinkan siswa untuk mengendalikan robot dari jarak jauh saat robot berada di lokasi pelatihan. Robot pengangkut dirancang untuk memberikan pengalaman belajar robotika yang interaktif dan langsung, yang memungkinkan siswa untuk memahami konsep dasar dalam robotika, pemrograman, dan sistem kontrol. Sistem penggerak diferensial menawarkan kemampuan manuver yang sangat baik, sementara lengan pengangkat memungkinkan robot untuk melakukan tugas-tugas seperti mengangkat dan memindahkan objek, yang menambahkan aspek fungsional pada proses pembelajaran. Hasil pengujian menunjukkan bahwa robot bekerja dengan baik di bawah kendali daring, dengan respons yang cepat dan akurat terhadap perintah dari aplikasi Android. Penggunaan Firebase memastikan komunikasi yang stabil dan waktu nyata antara robot dan aplikasi. Implementasi ini tidak hanya meningkatkan aksesibilitas pelatihan robotika tetapi juga memungkinkan pengembangan keterampilan dengan cara yang lebih fleksibel dan terjangkau. Studi ini menyimpulkan bahwa robot transporter berbasis ESP32 dengan kontrol daring melalui aplikasi Android dan basis data cloud Firebase dapat menjadi alat pembelajaran yang efektif dan inovatif. Ini mendukung pengembangan keterampilan teknis dan pemahaman praktis siswa tentang robotika, menyediakan landasan yang kuat untuk studi lebih lanjut dalam teknologi dan teknik. Kinerja robot yang menjanjikan dalam pengaturan kontrol daring menyoroti potensinya sebagai sumber daya pendidikan yang berharga dalam lingkungan pembelajaran modern
Fulltext View|Download
Kata Kunci: mekanika dan dinamika; robot edukasi; IoT; ESP32;

Article Metrics:

Article Info
Bagian: Artikel - Sistem Kendali dan Robotik
Bahasa : ID
Recent articles
IMPLEMENTASI FINGERPRINT PADA RANCANGAN PROTOTIPE SMART HOME MENGGUNAKAN METODE KEAMANAN KRIPTOGRAFI VIGENERE CIPHER DAN CAESAR CIPHER ANALYSIS AN EXTRA-HIGH VOLTAGE TRANSMISSION LINE INTEGRATED WITH ZIGBEE SENSOR NETWORK ANALISIS TEGANGAN TEMBUS PADA KOMPOSIT SERAT KELAPA SMART SYSTEM UNTUK PEMANTAUAN DAN OPTIMASI KINERJA PEMBANGKIT LISTRIK TENAGA SURYA KAJIAN RANCANG BANGUN SISTEM DETEKSI BENCANA KEBAKARAN DAN PEMADAMAN OTOMATIS BERBASIS WHATSAPP DAN WEB PENGEMBANGAN ARSITEKTUR REST API UNTUK INTEGRASI DATA REAL-TIME PADA WEBSITE PEMANTAUAN KUALITAS UDARA LAHAN PERTANIAN CNN ALGORITHM OPTIMIZATION FOR CLASSIFYING NUMBERS IN HANDWRITING PENGEMBANGAN SISTEM MEKANIKA DAN DINAMIKA PADA ROBOT EDUKASI BERBASIS IOT DAN ESP32 More recent articles
Most cited articles
PERANCANGAN MAXIMUM POWER POINT TRACKING PANEL SURYA MENGGUNAKAN BUCK BOOST CONVERTER DENGAN METODE INCREMENTAL CONDUCTANCE PERANCANGAN SOFTWARE APLIKASI OPTIMASI PENATAAN LAMPU PJU SEBAGAI UPAYA PENGHEMATAN BIAYA ENERGI LISTRIK RANCANG BANGUN ALAT PENGUKUR TEKANAN DARAH OTOMATIS MENGGUNAKAN METODE OSCILLOMETRY BERBASIS RASPBERRY PI MODEL B+ PERANCANGAN ANTENA MIKROSTRIP ARRAY PADA FREKUENSI 850 MHz ALGORITMA GENETIKA SEBAGAI SOLUSI OPTIMAL POWER FLOW PADA SISTEM KELISTRIKAN 500 KV JAWA BALI More cited articles
  1. . B. Jang, M. Kim, G. Harerimana and J. W. Kim, "Q-Learning Algorithms: A Comprehensive Classification and Applications," in IEEE Access, vol. 7, pp. 133653-133667, 2019, doi: 10.1109/ACCESS.2019.2941229
  2. . Aydin Sipahioglua, Ahmet Yazicib, Osman Parlaktunab, Ugur Gure “Real-time tour construction for a Mobile Robot in a Dynamic Environment”, Osmangazi University pp 289-295, springer, Robotics and Autonomous System, Elsevier 2008
  3. . R. Clark, A. El-Osery, K. Wedeward, and S. Bruder, “A Navigation and Obstacle Avoidance Algorithm for Mobile Robots Operating in Unknown, Maze-Type Environments”, Proc. International Test and
  4. . Evaluation Association Workshop on Modeling and Simulation, Las Cruces, NM, December Intelligent Systems and Robotics Group 2004
  5. . Vincenzo Liberatore1, Wyatt S. Newman1, and Kul Bhasin2 “IP communication and distributed agents for Unmanned autonomous vehicles”, Electrical Engineering and Computer Science Department, Case Western Reserve University, Cleveland,2004
  6. . B.Widrow, N.Gupta and S.Maitra, Punish/Reward: “Learning with a critic in adaptive threshold systems“, IEEE Trams. Systems, Man and
  7. . Cybernetics, Vol.SMC-5, pp. 455-465, 1973
  8. . Sebastian Thrun, “Learning Maps for Indoor Mobile Robot Navigation” pp. 1-38 Robotics and Autonomous Systems Carnegie Mellon University 1996
  9. . Sebastian Thrun, “A Lifelong Learning Perspective for Mobile Robot Control”, Intelligent Robots and Systems, 1994
  10. . Tom M.Mitchell, Sebastian B. Thrun “Learning Analytically and Inductively”, Carnegie Mellon University, Pittsburgh, U.S.A. University of Bonn, Germany 1998
  11. . Justin A. Boyan and Andrew W. Moore, “Generalization in Reinforcement Learning: Safely Approximating the Value Function Advances in Neural Information Processing Systems” pp. 1-8 MIT Press, Cambridge MA, 1995
  12. . Sven Koenig, Reid G. Simmons “The Effect of Representation and Knowledge on Goal-Directed Exploration with Reinforcement-Learning Algorithms”, School of Computer Science, Carnegie Mellon University, Pittsburgh 1991
  13. . David Goddeau and Joelle Pineau, “Fast Reinforcement Learning Of Dialog Strategies“, Compaq Computer Corporation, Cambridge Research Laboratory, Cambridge, United States, 2000
  14. . Chunlin chen, han-xiong li and Daoyi Dong, “Hybrid control for Robot Navigation A Hierarchical Q Learning Algorithm”, IEEE Robotics and Automation, June 2008
  15. . Leslie Pack Kaelbling, Michael L. Littman, Brown University, USA, Andrew W. Moore Smith, Carnegie Mellon University, Pittsburgh, USA, “Reinforcement Learning: A Survey”, Journal of Artificial Intelligence Research 4 pp. 237-285 1996

Last update:

No citation recorded.

Last update: 2025-03-10 11:06:44

No citation recorded.