📚 Eksplorasi & Komparasi Topik Dokumen

SISTEM DRONE DENGAN KEMAMPUAN PENGENALAN OBJEK BERBASIS RADAR MICROWAVE IMAGING: IMPLEMENTASI LENSA DIELEKTRIK DAN KARAKTERISASI PENCITRAAN GELOMBANG MIKRO

Sistem pengenalan objek visual konvensional yang diintegrasikan pada platform Unmanned Aerial Vehicle (UAV) untuk misi pencarian dan penyelamatan (Search and Rescue / SAR) memiliki ketergantungan yang sangat tinggi terhadap kondisi pencahayaan optimal dan visibilitas atmosfer. Ketika dihadapkan pada skenario lingkungan dengan jarak pandang rendah akibat kabut tebal, asap, atau hambatan fisik berupa vegetasi / dedaunan, performa kamera optik akan mengalami penurunan fungsional. Untuk mengatasi batasan tersebut, teknologi microwave imaging berbasis gelombang milimeter menawarkan solusi yang tahan karena memiliki kemampuan penetrasi yang mampu menembus medium dielektrik non konduktif. Penelitian Tugas Akhir ini memfokuskan pada rekayasa dan karakterisasi perangkat keras sub-sistem sensor serta sistem navigasi gelombang mikro jarak dekat untuk menyediakan landasan pencitraan dua dimensi yang andal bagi UAV. Komponen penginderaan utama yang diimplementasikan dalam sistem ini adalah modul sensor Pulsed Coherent Radar (PCR) Acconeer XM112 yang beroperasi pada frekuensi 60,5 GHz dengan konsumsi daya maksimum rendah sebesar 81,3 mW. Meskipun frekuensi tinggi tersebut secara teoritis memberikan resolusi spasial yang tajam karena panjang gelombangnya yang sangat pendek (5 mm), sensor ini memiliki keterbatasan fisik bawaan berupa sudut pancaran setengah daya / Half- Power Beamwidth (HPBW) pada bidang horizontal yang relatif lebar, yaitu mencapai 70?. Sudut pancaran yang divergen ini menyebabkan gelombang elektromagnetik pancaran melebar saat menabrak target, yang dapat menyebabkan fenomena pikselasi berlebih yang membuat area yang memantulkan gelombang menjadi melebar (blooming) serta menurunkan ketajaman batas tepi objek. Masalah tersebut diselesaikan melalui perancangan komponen pembias berupa Integrated Lens Antenna (ILA) plano-konveks yang diperpanjang menggunakan material dielektrik padat Polylactic Acid (PLA) dengan indeks bias 1,57, yang didesain secara analitis mengacu pada prinsip optik geometris dan Hukum Snellius. Karakterisasi parameter fisik antena dilakukan melalui metode pengukuran pola radiasi monostatik di medan jauh dengan memanfaatkan corner reflector trihedral sebagai target pantul dengan nilai Radar Cross Section (RCS) tinggi. Pengambilan data daya terima dilakukan pada bidang horizontal (azimuth) dengan resolusi sudut antarsampel sebesar 10?. Hasil karakterisasi menunjukkan bahwa integrasi lensa dielektrik PLA berhasil memfokuskan berkas gelombang mikro secara signifikan, menyempitkan nilai HPBW pada bidang horizontal bawaan radar dari 71.44? menjadi 13,36?, atau merepresentasikan efisiensi pemfokusan sudut pancaran sebesar 81,31%. Pengujian performa pencitraan spasial selanjutnya dilakukan melalui pemindaian mekanis dua dimensi terhadap objek target konduktif berupa huruf ‘SOS’ berdimensi 20 x 12 cm yang diletakkan pada jarak 20 cm dibawah radar dengan interval pemindaian sebesar 2 cm hingga membentuk matriks citra resolusi 12 x 25 piksel. Tingkat kemiripan dan ketajaman citra spasial dianalisis secara kuantitatif menggunakan metrik Peak Signal-to-Noise Ratio (PSNR) terhadap matriks ideal melalui pembatasan jarak dan kuantisasi amplitudo 8 level. Berdasarkan hasil pengujian pada skenario tanpa penghalang (line-of-sight), penambahan lensa PLA terbukti meningkatkan nilai PSNR dari 10,41 dB menjadi 12,76 dB. Pada skenario penghalang styrofoam, lensa mempertahankan nilai PSNR tinggi pada angka 11,31 dB, sedangkan pada skenario penghalang daun-daun gugur, pemfokusan beamwidth sensor Acconeer oleh lensa mampu meminimalkan efek scattering oleh bahan organik dan membuat nilai PSNR citra pada level 9,547 dB. Keberhasilan rekayasa sub sistem ini secara langsung menghasilkan data citra spasial yang tajam, yang berfungsi sebagai penyedia input matriks amplitudo beresolusi tinggi untuk diproses lebih lanjut oleh sub-sistem data processing yang mengimplementasikan klasifikasi dengan Tiny Machine Learning (TinyML).