Penelitian ini bertujuan untuk mengembangkan alat guiding block yang dirancang khusus untuk membantu penyandang tuna netra dalam navigasi lingkungan mereka dengan lebih aman dan mandiri. Alat ini memanfaatkan algoritma Convolutional Neural Network (CNN) yang dijalankan pada sistem operasi Raspberry Pi (Raspberry Pi OS) untuk memproses data visual dan mendeteksi rintangan. Guiding blok ini mengintegrasikan kamera Raspberry Pi untuk pengambilan gambar dan headset untuk umpan balik audio serta interaksi pengguna. Metode penelitian melibatkan perancangan dan perakitan prototipe yang menggabungkan komponen-komponen ini. Sistem operasi Raspberry Pi digunakan untuk menjalankan algoritma CNN, yang memproses gambar dari kamera Raspberry Pi untuk mengidentifikasi rintangan dan memberikan kesadaran spasial secara real-time. Umpan balik audio disampaikan melalui headset, memberikan isyarat auditori mengenai lokasi dan jarak rintangan kepada pengguna. Untuk meningkatkan akurasi deteksi, dataset yang digunakan terdiri dari 40 gambar yang telah diaugmentasi, terdiri dari 20 gambar guiding blok jalan dan 20 gambar guiding blok berhenti. Setiap gambar diuji sebanyak 15 kali. Hasil pengujian menunjukkan bahwa alat guiding blok ini mencapai akurasi deteksi sebesar 92%. Pengujian ini dilakukan untuk memastikan keandalan dan ketepatan sistem dalam mendeteksi kondisi lingkungan. Alat ini secara signifikan meningkatkan kemampuan navigasi bagi pengguna tuna netra, mengurangi risiko kecelakaan, dan meningkatkan kemandirian mereka. Perancangan ini menyoroti potensi integrasi algoritma CNN dengan komponen perangkat keras yang terjangkau seperti Raspberry Pi dan perangkat audio untuk menciptakan teknologi asistif yang praktis. Implementasi yang berhasil dari alat ini menunjukkan janji dalam meningkatkan kualitas hidup penyandang tuna netra dan membuka kemungkinan untuk kemajuan lebih lanjut dalam teknologi asistif.

This research aims to develop a guiding block device specifically designed to assist visually impaired individuals in navigating their surroundings with greater safety and independence. The device utilizes a Convolutional Neural Network (CNN) algorithm running on Raspberry Pi OS to process visual data and detect obstacles. The guiding block integrates a Raspberry Pi Camera for image capture and a headset for audio feedback and user interaction. The research methodology involves designing and assembling a prototype that combines these components. Raspberry Pi OS is used to run the CNN algorithm, which processes images from the Raspberry Pi Camera to identify obstacles and provide real-time spatial awareness. Audio feedback is delivered through the headset, offering auditory cues about the location and proximity of obstacles to the user. To enhance detection accuracy, the dataset consists of 40 augmented images, including 20 images of guiding blocks indicating "go" and 20 images indicating "stop." Each image was tested 15 times. The results show that the guiding block device achieves a detection accuracy of 92%. This rigorous testing ensures the reliability and precision of the system in identifying environmental conditions The device significantly improves navigation capabilities for visually impaired users, reduces the risk of accidents, and enhances their autonomy. This development highlights the potential of integrating CNN algorithms with affordable hardware components like Raspberry Pi and audio devices to create practical assistive technology. The successful implementation of this device demonstrates its promise in improving the quality of life for visually impaired individuals and paves the way for further advancements in assistive technology..