# MODUL 4: Medical Robotics - Prototyping and Validation

Capaian Pembelajaran:
1. Pahami langkah prototyping
2. Mampu melakukan 3D design sederhana dan Slicing
3. Mampu memahami konteks AI dalam robotics dan medical robotics

Tujuan Materi
Prototyping dan validasi merupakan tahap kritis dalam pengembangan robot medis. Prototyping memungkinkan
pengujian konsep dengan cepat sebelum investasi besar, sementara validasi memastikan device aman dan efektif untuk
aplikasi klinis. Modul ini mengajarkan workflow lengkap dari konsep hingga prototype tervalidasi.
Fase Prototyping
1. Proof-of-Concept (POC)
Uji apakah prinsip dasar bekerja
Prototype kasar namun fungsional
Focus: Feasibility teknis
Check dari 3 sudut pandang:
* **Mechanical**
* Electrical
* **Control/Pemrograman**
2. Alpha Prototype
Functional testing lebih detail
Bentuk mendekati produk akhir
Focus: Performance metrics

3. Beta Prototype
Design verification lengkap
Near-final design
Focus: Reliability & repeatability
4. Pre-Production
Final design untuk regulatory testing
Focus: Safety validation & documentation

## Sesi Hands On
### 3D Printing
Download bambustudio : https://bambulab.com/en/download/studio
File Trial : https://drive.google.com/drive/folders/13EgycUNlLo6bHZK_SJ7ZeCXqvumtBto3?usp=sharing
Parameter penting dalam 3d printing
| Parameter | Penjelasan | Tips / Contoh Pengaturan |
| :---------------------------- | :------------------------------------------------------------------------------------------------------------------ | :------------------------------------------------------------------------------------------ |
| **1. Infill** | Persentase isi bagian dalam objek (antara 0–100%). Semakin tinggi infill, semakin kuat tapi waktu cetak makin lama. | Umum: 20–40% (fungsi umum), 80–100% (mekanikal kuat). Pola umum: *Grid*, *Gyroid*, *Cubic*. |
| **2. Support** | Struktur tambahan untuk menopang bagian yang menggantung (overhang). | Aktifkan bila model punya sudut >45°. Pilih “Tree Support” untuk hemat material. |
| **3. Layer Height** | Ketebalan tiap lapisan cetak. Menentukan resolusi vertikal model. | 0.1 mm = detail tinggi, 0.2 mm = standar, 0.3 mm = cepat. |
| **4. Wall / Shell Thickness** | Ketebalan dinding luar objek. Berpengaruh pada kekuatan dan permukaan. | Umum: 1.2–1.6 mm (3–4 perimeter). |
| **5. Print Speed** | Kecepatan gerak nozzle saat mencetak. | PLA: 50–70 mm/s; TPU (elastomer): 30–40 mm/s. |
| **6. Temperature** | Suhu nozzle dan bed. Menentukan lelehan dan adhesi antar layer. | PLA: Nozzle 200–210°C, Bed 60°C; PETG: 230°C/80°C. |
| **7. Retraction** | Penarikan filamen saat nozzle berpindah agar tidak meninggalkan benang (*stringing*). | Panjang 1–2 mm, kecepatan 30–50 mm/s. |
| **8. Build Plate Adhesion** | Cara objek menempel di bed saat awal cetak. | Pilih *Brim* untuk meningkatkan daya lekat, *Raft* jika permukaan bawah tidak rata. |
| **9. Cooling / Fan Speed** | Pendinginan lapisan setelah dicetak untuk menjaga detail dan mencegah warping. | PLA: 100%; ABS: 0–20% (butuh suhu stabil). |
| **10. Material Type** | Jenis filamen yang digunakan menentukan setelan lain (suhu, kecepatan, adhesi). | PLA (mudah & kaku), PETG (tahan panas), TPU (elastis), ABS (kuat tapi sulit dicetak). |

### AI in medical robotics
AI pada robot medis umumnya digunakan untuk sensing dan autonomous decision-making. Sistem AI memproses data sensor seperti citra medis atau sinyal biomekanik untuk menentukan aksi yang sesuai secara adaptif, misalnya menyesuaikan intensitas gerakan robot rehabilitasi berdasarkan kondisi pasien.

AI beroperasi di tingkat pengambilan keputusan (decision layer), sedangkan mikrokontroler bekerja di tingkat eksekusi (control layer). Berbeda dari kontrol konvensional seperti PID yang bersifat rule-based, AI bersifat data-driven dan mampu beradaptasi terhadap kondisi yang tidak terprogram.

Selain itu, AI dapat mengatur nilai kontrol seperti PWM yang dikirimkan ke mikrokontroler untuk mengendalikan motor atau aktuator secara real time. Dengan demikian, AI menentukan strategi dan parameter kontrol, sementara mikrokontroler memastikan eksekusi yang stabil melalui kontrol PID.

| Komponen / Aspek | Deskripsi |
| ------------------------------------------ | --------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- |
| **Jenis Sensor Input** | Kamera (image/video), sensor jarak, sensor gaya atau posisi |
| **Framework AI yang Digunakan** | TensorFlow, YOLOv8 (Object Detection dan Image Processing) |
| **Perangkat Komputasi** | Mini PC atau Single Board Computer (misalnya Jetson Nano / Raspberry Pi) |
| **Fungsi AI** | Melakukan *object recognition*, *gesture detection*, atau *path decision-making* berdasarkan hasil analisis citra dan sensor |
| **Proses Pengambilan Keputusan** | AI memproses input sensor menggunakan model terlatih, kemudian menentukan aksi atau mode operasi (misal: navigate, pick object, emergency stop) |
| **Komunikasi ke Mikrokontroler** | Data hasil keputusan dikirim melalui serial/I2C/SPI |
| **Kontrol yang Dijalankan Mikrokontroler** | Mikrokontroler menerima perintah dari AI dan menghasilkan sinyal kontrol seperti PWM untuk aktuator (motor DC, servo, dll) |
| **Contoh Implementasi** | AI mendeteksi objek melalui kamera menggunakan YOLOv8 → menentukan bahwa objek perlu diambil → mengirim perintah ke mikrokontroler untuk mengaktifkan motor gripper dengan nilai PWM tertentu |
| **Peran AI terhadap PID/Micon** | AI menentukan strategi atau target (misalnya posisi atau mode operasi), sedangkan PID di mikrokontroler mengatur gerakan aktual agar stabil dan presisi |