BAB I PENDAHULUAN
1.4. Metode Penelitian
Berdasarkan pada tujuan yang ingin dicapai, metode-metode yang digunakan dalam penyusunan tugas akhir adalah:
Langkah-langkah pengerjaan penelitian ini adalah sebagai berikut:
a. Pengumpulan referensi dari sumber-sumber terpercaya seperti jurnal, modul, dan website yang membahas tentang pemrosesan citra, pemrograman python, perancangan conveyor, Raspberry Pi, dan buku-buku penunjang lainnya.
b. Perancangan hardware untuk mendesain alur pergerakan dari awal input sampai pada output di akhir sistem pencacah dan penyortir baut dan mur. Pada bagian ini juga turut mendesain visual sistem beserta wiring sistem yang diperlukan.
c. Perancangan software disertai eksperimen pada program untuk mencari logika yang tepat dalam pembuatan model sistem melalui program. Perancangan Flowchart untuk memrogram Python.
d. Pembuatan software menggunakan software python yang akan diupload ke Raspberry Pi 4 dengan mengacu pada Flowchart yang telah dibuat.
e. Pembuatan hardware yaitu rangkaian dari input pada tray, conveyor, kemudian di-capture melalui Webcam dan diolah oleh Raspberry Pi 4. Selanjutnya Raspberry Pi 4 menggerakkan gate sebagai penyortir baut dan mur. Terakhir baut dan mur yang telah dicapture dicacah dan ditampilkan hasil cacahannya pada gui di laptop.
f. Pengambilan data untuk hasil pengujian alat dan program yang sudah dirancang.
Pengambilan data dilakukan untuk mencari data setiap objek, dan melihat tanggapan sistem dan keakuratan sistem dalam mencacah dan menyortir objek ketika kecepatan conveyor nya diubah. Data diambil ketika sistem menggunakan tray dan tidak menggunakan tray. Pengujian alat yang sudah dibuat dengan melihat kinerja alat dan akurasi yang dihasilkan.
g. Analisis untuk menyelidiki hasil berdasarkan data dan percobaan yang telah dilakukan. Kemudian ditarik kesimpulan berdasarkan persentase keberhasilan alat dalam menyortir dan mencacah baut dan mur. Analisis dan kesimpulan hasil percobaan didapat dari melihat persentase keberhasilan program saat mencacah baut dan mur, serta persentase keberhasilan alat dalam menyortir baut dan mur.
4
BAB II DASAR TEORI
Pada bab ini akan dibahas mengenai landasan - landasan teori yang dibutuhkan dalam pembuatan tugas akhir “Pencacah dan Penyortir Baut dan Mur Menggunakan Raspberry Pi”.
2.1. Baut dan Mur
Gambar 2.1. Baut dan Mur Tabel 2.1. Tabel Keterangan Gambar
Kode Ukuran
a M8x25
b M6x20
c M5x16
d M8
e M6
f M5
Terdapat banyak sekali ukuran baut dan mur termasuk bentuk kepala baut yang bermacam-macam di pasaran. Baut yang akan digunakan pada penelitian kali ini adalah baut biasa. Baut biasa berbentuk segi enam biasa. Baut biasa terbuat dari besi biasa. Adapun aneka ukuran baut dan mur di pasaran antara lain M 3,5; M 7; M 14; M 18, M 22; M 27, dan M 33 [5].
Cara membaca ukuran baut dan mur adalah sebagai berikut: Misalnya ukuran baut adalah M7 x 40. Maka, diameter baut tersebut adalah 7 mm, dan panjang badannya 40 mm.
Contoh baut dan mur yang digunakan dalam penelitian ini dapat dilihat pada Gambar 2. 1., beserta keterangan pada Tabel 2.1., sedangkan tabel ukuran baut dan mur yang digunakan dalam penelitian ini dapat dilihat pada Tabel 2.2.
Tabel 2.2. Ukuran Baut dan Mur
d1 k (mm) e (mm) s (mm)
M8 5,3 16 14
M6 4,5 12,5 10,5
M5 3,5 9,5 9
2.2. Raspberry Pi
Raspberry Pi adalah modul mikro komputer yang mempunyai input output port digital seperti pada board mikrokontroler. Akan tetapi berbeda dengan mikrokontroler, untuk menggunakan Raspberry Pi kita memerlukan operating system.
Gambar 2.2. Raspberry Pi 4[6]
Operating system yang banyak dipakai Raspberry Pi antara lain Linux. Beberapa model Raspberry Pi adalah Raspberry Pi type A ,A+ Raspberry Pi type B.,B+ Raspberry Pi
2,Rasberry Pi 3,Raspberry Pi zero [7]. Raspberry Pi yang digunakan pada penelitian ini adalah Raspberry Pi 4. Gambar 2.2. menunjukkan Raspberry Pi yang digunakan pada penelitian ini.
Dalam Raspberry Pi dikenal istilah WiringPi yaitu library untuk akses GPIO yang ditulis dalam Bahasa C. Pengguna dapat dengan mudah mengakses semua pin I/O dari Raspberry Pi dengan menggunakan header pada WiringPi. Dengan WiringPi juga bisa mengakses komunikasi SPI, I2C, dan serial. Untuk memastikan WiringPi dapat membaca semua pin pada Raspberry Pi, digunakan perintah GPIO Readall. Penggunaan WiringPi pada header PWM mampu mengeluarkan sinyal PWM pada setiap pin GPIO Raspberry Pi. Oleh karena itu, WiringPi dapat digunakan untuk mengontrol motor servo.
Berikut Spesifikasi Lengkap Raspberry Pi 4:
a. Broadcom BCM2711 processor 1.5 GHz quad-core 64-bit Arm Cortex-A72 CPU (performa 3 kali lebih baik dari Rpi 3)
b. LPDDR4 SDRAM dengan varian 1GB, 2GB, atau 4GB c. Full-throughput Gigabit Ethernet
d. Dual-band 802.11ac wireless networking e. Bluetooth 5.0
f. Dukungan dual monitor, pada resolusi hingga 4K g. Grafis VideoCore VI, mendukung OpenGL ES 3.x h. 4Kp60 hardware decode of HEVC video
i. Kompabilitas penuh dengan produk Raspberry Pi sebelumnya j. VideoCore 6 GPU
k. 1GB, 2GB, or 4GB of RAM
l. MicroSD card reader sebagai penyimpanan m. 2 x USB 3.0 ports
n. 2 x USB 2.0 ports
o. 1 x USB Type-C port (untuk daya) p. 2 x micro HDMI 2.0 ports
q. Gigabit Ethernet r. 3.5mm audio jack s. 802.11ac WiFi
t. 40-pin connector
Berikut tampilan GPIO pin yang terdiri dari 40 pin dengan fungsi pada Gambar 2.3.
Gambar 2.3. GPIO pin [7]
2.3. Webcam
Webcam atau web camera berfungsi sebagai perangkat keras berupa kamera digital yang dihubungkan ke komputer atau laptop. Webcam terdiri dari sebuah lensa standar untuk menangkap sinyal gambar, casing (cover), termasuk casing depan dan casing samping untuk
menutupi lensa standar dan memiliki sebuah lubang lensa di casing depan yang berguna untuk memasukkan gambar, dan kabel support, yang dibuat dari bahan yang fleksibel.
Gambar 2.4. Webcam [8]
Sebuah web camera mempunyai Frame rate. Frame rate berguna untuk mengindikasikan jumlah gambar sebuah software dapat mengambil dan transfer dalam satu detik. Untuk streaming video, dibutuhkan minimal 15 frame per second (fps) atau idealnya 30 fps. Webcam c170 mempunyai frame rate 30 fps [8].
Gambar Webcam Logitech C170 seperti pada Gambar 2.4. Spesifikasi Webcam C170 dapat dilihat pada Tabel 2.3.
Tabel 2.3. Spesifikasi Webcam C170 [8].
Performance Design
Megapixel 5 MP Interface USB 2.0
Maximum Video Resolution
640 x 480 pixels USB Powered Yes
Full HD No Packaging Content
Face Tracking Yes LCD Clamp Yes
Photo Feature Yes Laptop Clamp Yes
Maximum Image Resolution
1024 x 768 pixels Manual Yes
Zoom Capability Yes Other Features
Motion Sensor Yes Minimum Processor 1 Ghz
Noise Reduction Yes Minimum Hard
Disk Space
200 MB
Plug and Play Yes Minimum RAM 512 MB
2.4. Conveyor
Gambar 2.5. Conveyor
Conveyor adalah sebuah alat yang digunakan untuk memindahkan sejumlah benda dari suatu tempat ke tempat lain secara kontinu berapapun jumlahnya[9]. Prinsip kerja alat ini adalah memindahkan material apa saja yang ada di atas belt. Kemudian, setibanya umpan di head, maka material akan ditumpahkan lantaran belt bergerak berbalik arah. Belt conveyor sendiri bisa bergerak karena digerakkan oleh drive roll yang memakai motor penggerak.
Drive roll tersebut akan menarik belt conveyor memanfaatkan gesekan antara permukaan drum dan belt dengan kapasitas yang bergantung dengan gaya gesekannya. Pada umumnya, conveyor terdiri atas bagian-bagian seperti yang ditunjukkan pada Gambar 2.5. dan penjelasannya sebagai berikut [10]:
1. Belt
Sabuk memanjang pada conveyor yang berfungsi untuk membawa material yang diangkut. Belt bergerak dan dengan demikian material juga akan ikut bergerak.
2. Drive Roll
Drive roll berfungsi sebagai penggerak belt conveyor. Drive roll juga berfungsi sebagai titik putar bagian depan conveyor.
3. Tail Roll
Tail roll merupakan ujung dari belt conveyor dan bergerak mengikuti drive roll. Tail roll berfungsi sebagai titik balik pada conveyor.
4. Frame
Frame adalah kerangka yang terbuat dari konstruksi baja dan berfungsi untuk menyangga semua susunan belt conveyor. Frame memastikan belt bisa berjalan stabil tanpa gangguan.
5. Motor Penggerak
Motor penggerak yang digunakan untuk mengatur kebutuhan pergerakan conveyor seperti percepatan pada conveyor atau arah gerakan conveyor. Dalam penelitian ini, penulis menggunakan motor DC 12 V.
2.5. Motor Servo
Gambar 2.6. Motor Servo [11]
Motor servo adalah jenis motor DC yang digunakan untuk penggerak karena memiliki kemampuan dapat berputar searah jarum jam dan berlawanan arah jarum jam[11].
Motor servo didukung oleh sistem umpan balik tertutup yang terdiri dari sebuah motor DC, serangkaian gear, rangkaian kontrol, dan juga potensiometer. Potensiometer berfungsi untuk menentukan batas sudut dari putaran servo seperti 0 derajat, 90 derajat, 180 derajat dan 360 derajat.. Sementara sudut sumbu motor servo dapat diatur berdasarkan lebar pulsa yang dikirim melalui kaki sinyal dari kabel servo itu sendiri. Oleh karena itu motor servo dapat berputar searah dan berlawanan arah jarum jam. Motor servo dan bagian-bagiannya
ditunjukkan oleh Gambar 2.6. Gambar skema pulsa kendali motor servo ditunjukkan oleh Gambar 2.7.
Gambar 2.7. Skema Pulsa Kendali Motor Servo[11].
Motor servo bekerja dengan baik ketika diberi sinyal PWM frekuensi 50 Hz. PWM atau Pulse Width Modulation adalah sebuah cara memanipulasi lebar sinyal yang
dinyatakan dengan pulsa dalam suatu perioda untuk mendapatkan tegangan rata-rata yang berbeda. Cara mengatur lebar pulsa dalam suatu perioda gelombang dengan pemberian besar sinyal referensi output dari suatu PWM akan didapatkan duty cycle yang diinginkan.
Rumus untuk menentukan sudut denga duty cylcle dapat dilihat pada persamaan 2.
Duty cycle = (sudut/18)+2.5 (2.1)
2.6. Torsi/Momen Gaya
Penyebab berputarnya benda dalam gerak rotasi adalah torsi (τ) atau momen gaya.
Besarnya torsi atau momen gaya tergantung pada gaya yang dikeluarkan dan lengan momennya. Gambar penguraian vektor gaya yang bekerja pada lengan dapat dilihat pada Gambar 2.8. Secara matematis, rumus momen gaya dapat dilihat pada persamaan 2.1.
τ = F r sin ϴ (2.1.)
Keterangan :
τ = Torsi (N.m)
F = gaya (N), F= m x g L atau r = lengan gaya (m)
ϴ = sudut antara lengan gaya (m) dan gaya (F)
Gambar 2.8. Penguraian Vektor Gaya [12]
2.7. Sensor Infrared
Gambar 2.9. Komponen Modul Sensor Infrared
Sensor Infrared adalah sebuah modul yang bekerja sebagai alat pendeteksi yang terdiri dari sensor infrared dan photodioda. Sensor ini mempunyai dua komponen utama yaitu IR Emitter dan IR Receiver. Cara kerja sensor ini adalah ketika emitter memantulkan infrared ke objek di depannya kemudian akan dipantulkan ke receiver. Oleh karena itu, ketika infrared tidak mengenai objek, kondisinya akan HIGH, sedangkan ketika infrared mengenai objek, kondisinya akan LOW. Sensor infrared memiliki tegangan kerja 3V – 5V.
Komponen modul sensor infrared dapat dilihat pada Gambar 2.9.
2.8. Motor Stepper
Motor Stepper adalah motor yang dapat mengubah pulsa listrik menjadi gerakan motor discret atau yang disebut dengan step. Satu putaran motor adalah 3600 dengan jumlah langka yang tertentu per derajatnya. Prinsip kerja motor Stepper dapat dilihat pada Gambar 2.10.
Gambar 2.10. Prinsip Kerja Motor Stepper
Mengontrol derajat putaran berarti kita membagi rotasi penuh motor menjadi beberapa step. Garis biru melingkar adalah satu putaran penuh sedangkan pada gambar terlihat step yang digunakan adaah 450 sehingga untuk mencapai satu putaran penuh kita memerlukan 8 step.
Dalam penelitian ini, diperlukan sebuah driver untuk menggerakkan motor Stepper dikarenakan arus dan tegangan yang dikeluarkan oleh Raspberry Pi terlalu kecil. Driver yang digunakan adalah IC ULN2003.
Gambar 2.11. Skema Rangkaian Driver Motor Stepper
ULN2003 mempunyai resistor input serial yang dapat dipilih untuk operasi TTL atau CMOS 5 V. Di dalam IC terdapat 7 buah rangkaian transistor darlington yang logika kerjanya seperti gerbang NOT.
2.9. Python
Python adalah Bahasa pemrograman tinggi yang sering digunakan pada dunia perteknikan. Bahasa pemrograman Python lebih sederhana dari Bahasa pemrograman pada umumnya karena menggunakan Bahasa Inggris[13]. Pada penelitian ini, peneliti menggunakan Python 3 yang sudah diperbaharui dari Python sebelumnya yaitu Python 2.
Logo Python ditunjukkan pada Gambar 2.11.
Gambar 2.12. Logo Python
2.10. Computer Vision
Computer vision adalah suatu ilmu yang memungkinkan suatu komputer dapat melihat lingkungan sekitarnya dan kemudian mengolah citra yang dilihat atau melakukan perintah tertentu terhadap citra tersebut [14]. Computer vision berfokus pada bidang sistem kecerdasan buatan dan berhubungan dengan akuisisi citra dan pemrosesan citra. Dalam penelitian ini, peneliti menggunakan perpustakaan OpenCV dalam mengolah gambar atau video.
Saat ini, di bidang industri sudah banyak diterapkan computer vision. Salah satu contoh dalam penerapan computer vision di bidang industri adalah pencacah dan penyortir barang.
2.11. Pengolahan Citra Digital
Citra adalah suatu data dua dimensi atau yang biasa didefinisikan dengan f(x,y) yang merupakan suatu fungsi derajad keabuan, dengan x dan y adalah koordinat spasial (plane).
Citra digital mempunyai nilai x, y, dan f yang berhingga dan diskrit dengan nilai M baris
dan N kolom [14]. Nilai ini mempunyai nilai elemen berhingga atau yang biasa disebut dengan picture element, image element, pels, dan pixels. Citra digital disajikan dalam bentuk matriks dapat dilihat pada persamaan 2.2. dan posisi dapat dilihat pada Gambar 2.12.
Gambar 2.13. Matriks Citra Digital [14]
f(x,y) = [
f(0,0) f(0,1) ⋯ f(0, N − 1)
f(1,0) f(1,1) ⋯ f(1, N − 1)
⋮ ⋮ ⋮
f(M − 1,0) f(M − 1,1) ⋯ f(M − 1, N − 1) ]
(2.2.)
Keterangan :
M = Banyak pixel per baris N = Banyak pixel per kolom
Dalam suatu citra, dikenal istilah noise yang bisa terjadi saat pengambilan citra.
Noise adalah suatu gangguan yang tidak diinginkan dalam pengambilan citra. Faktor utama pada citra adalah level pencahayaan dan suhu sensor. Noise perlu dihilamgkan untuk mendapatkan kualitas citra yang lebih baik.
2.11.1. Grayscale
Untuk menyederhanakan model citra dilakukan pengubahan citra berwarna menjadi citra grayscale. Sebelum diubah, citra terdiri dari 3 layer yaitu R-layer, G-layer dan B-layer.
Selanjtunya, tiga layer tersebut diubah menjadi 1 layer, yaitu citra grayscale sehingga tidak ada lagi citra berwarna melainkan citra dengan derajad keabuan yang direpresentasikan dengan intensitas 0-255. Nilai 0 merepresentasikan hitam sedangkan nilai 1 merepresentasikan putih.
Gambar 2.14. Citra Grayscale
Contoh Citra Grayscale ditunjukkan oleh Gambar 2.13. Proses pengubahan/konversi citra berwarna menjadi citra grayscale dapat menggunakan rumus I di bawah ini [14] :
I=a x R+b x G+c x B, dengan a+b+c=1 (2.3.) R adalah nilai layer merah, G adalah nilai layer hijau, dan B adalah nilai layer biru.
Selain itu, contoh lain rumus yang biasa dipakai untuk mengubah ke skala keabuan yaitu rumus 2 berikut :
I=0,2989 x R+0,5870 x G+0,1141 x B (2.4.)
2.11.2.Segmentasi
Segmentasi citra merupakan proses sebelum pengenalan citra. Proses ini merupakan proses yang sangat penting karena keberhasilan tahap berikutnya tergantung pada tahap ini.
Segmentasi harus dapat membagi citra dengan tepat. Pada penelitian ini, segmentasi menggunakan metode Bounding Box. Metode Bounding Box digunakan untuk mengukur properti dari area citra [16].
Bounding Box merupakan suatu kotak yang melingkupi suatu objek untuk menandai suatu objek yang dideteksi. Ditunjukkan pada Gambar 2.14. contoh implementasi Bounding Box pada citra biner baut.
Gambar 2.15. Citra Biner yang Telah Diimplementasi Bounding Box
2.11.3.Konversi Citra Grayscale ke Citra Biner
Citra grayscale dikonversi ke citra biner dengan cara menetapkan nilai ambang (threshold). Nilai ambang digunakan untuk menentukan suatu intensitas akan dikonversi menjadi 0 atau menjadi 1 [14]. Secara matematis, konversi dinyatakan dengan rumus pada persamaan 2.5.
b(i)= {0, 𝑖 ≥ 𝑎 1, 𝑖 < 𝑎
(2.5.)
Contoh citra keabuan ditunjukkan oleh Gambar 2.15.
Gambar 2.16. Citra Grayscale Sebelum Dikonversi
Gambar 2.16. adalah contoh citra keabuan setelah dikonversi menjadi citra biner dengan nilai ambang 40. Untuk memperoleh hasil terbaik, nilai ambang pada program dapat diubah-ubah. Berikut ini adalah hasil citra biner dengan nilai ambang yang berbeda-beda.
Berturut-turut Gambar 2.17. merepresentasikan citra biner dengan nilai ambang 210, 160, 130, 110, 100, dan 70.
Gambar 2.17. Citra Biner
Gambar 2.18. Hasil Konversi ke Citra Biner dengan Nilai Ambang yang Berbeda
Dalam penelitian ini, peneliti menggunakan Otsu Thresholding dalam menentukan batas ambang pengkonversian citra. Konsep Otsu Thresholding pertama kali diperkenalkan oleh Nobuyuki Otsu(1979) untuk pengelompokkan citra biner berdasarkan bentuk histogram secara otomatis, mengasumsikan bahwa citra berisi dua kelas dasar dengan bentuk histogram bimodal (foreground dan background) [17]. Tujuan dari Otsu Thresholding adalah membagi histogram citra grayscale menjadi dua daerah yang berbeda secara otomatis sehingga pengguna tidak perlu memasukka nilai batas ambang secara manual. Otsu menggunakan metode dengan analisis diskriminan yaitu menentukan suatu variabel yang dapat membedakan antara dua atau lebih kelompok yang muncul secara alami. Analisis ini memaksimumkan variabel tersebut agar dapat membagi antara foreground (latar depan) dan background (latar belakang).
Untuk mendapatkan nilai threshold, ada perhitungan yang harus dilakukan. Nilai ambang yang dicari dinyatakan dengan k, dengan nilai k berkisar antara 1 dan 255. Tahap pertama, kita menghitung probabilitas setiap piksel pada level ke i yang ditentukan oleh persamaan 2.6.
Pi= ni / N (2.6.)
Keterangan :
ni = jumlah piksel pada level ke i N = total jumlah piksel pada citra
Kemudian pada tahap berikutnya, kita meghitung nilai Zeroth cumulative moment, First cumulative moment, dan total nilai mean dengan menggunakan berturut – turut persamaan 2.7., 2.8., dan 2.9.
ω(k) = ∑𝑘𝑖=1𝑃𝑖 (2.7.)
µ(k) = ∑𝑘𝑖=1𝑖. 𝑃𝑖 (2.8.)
µT = µ(L) = ∑𝐿𝑖=1𝑖. 𝑃𝑖 (2.9.) Keterangan :
ω(k) = Zeroth cumulative moment µ(k) = First cumulative moment µT = total nilai mean
Untuk menghitung nilai ambang (k) dapat ditentukan dengan persamaan 2.10. dengan penjelasan pada persamaan 2.11.
σ2
𝐵 (k) = nilai varian antar kelas maksimum
2.11.4.Median Filtering
Median filtering bekerja dengan cara menggantikan nilai tengah dari sebuah cakupan filter dengan nilai tengah yang didapat dari nilai-nilai piksel yang telah diurutkan dari yang terkecil hingga terbesar [18]. Tujuan dari median filtering adalah mempermudah mengenali citra yang ada kalanya memiliki kualitas kurang baik karena memiliki banyak noise sehingga perlu dikurangi terlebih dahulu.
Tabel 2.4. Teknik Median Filtering (x-1, y+1) (x, y+1) (x+1, y+1) (x-1, y) (x,y) (x+1, y) (x-1, y-1) (x, y-1) (x+1, y-1)
Dalam median filtering ini digunakan teknik domain spasial yang merupakan salah satu domain pengolahan citra yang memanipulasi sekumpulan piksel dan menghasilkan nilai baru. Contoh dari teknik ini ditunjukkan pada Tabel 2.4. di atas.
Gambar 2.19. Median Filtering (a) input (b) output
Piksel yang berada di tengah merupakan piksel yang akan diproses menggunakan 8 piksel tetangga pada domain 3x3. piksel tengah tersebut kemudian menjadi nilai baru yang diharapkan menyerupai piksel tetangganya sehingga dapat meningkatkan kualitas citra.
Gambar 2.18. menunjukkan proses median filtering.
2.11.5.Kontur
Kontur adalah sebuah kurva yang menggabungkan kumpulan titik-titik yang saling bersambung dan memiliki warna atau intensitas yang sama [19]. Sebelum menggunakan fungsi kontur, gambar harus diubah ke citra biner terlebih dahulu agar didapatkan citra yang akurat. Dalam fungsi ini, kontur adalah menemukan citra putih diatas citra hitam. Oleh karena itu, objek harus putih dan background berwarna hitam.
Terdapat dua jenis kontur, yaitu kontur terbuka dan kontur tertutup. Kontur tertutup membentuk suatu sirkuit tertutup. piksel-piksel di dalam daerah objek tersebut dapat ditemukan dengan menggunakan filling algorithm. Batas-batas yang mengelilingi suatu daerah objek berguna untuk mendeskripsikan bentuk objek dalam tahap analisis citra, sehingga dapat digunakan untuk mengenali atau mengidentifikasi suatu objek. Pada kontur terbuka hanya berupa fragmen garis atau bagian dari batas daerah yang tidak membentuk sirkuit, dengan kata lain tidak melingkupi seluruh daerah objek. Kontur terbuka dan kontur tertutup diilustrasikan pada Gambar 2.19.
Gambar 2.20. (a) Kontur Terbuka, (b) Kontur Tertutup [20]
2.11.6.Euler Number
Euler Number atau yang biasa disebut dengan faktor E dapat dinyatakan sebagai perbedaan antara jumlah dari connected component(C) dan jumlah lubang(H) pada suatu citra [4]. Rumus untuk mencari Euler Number ditunjukkan oleh persamaan 2.12.
E= C – H (2.12.)
Keterangan:
C= komponen yang terhubung H= jumlah lubang
Contoh perhitungan Euler Number untuk objek pada Gambar 2.20. yaitu:
a) Diketahui: H=0 C=1 Maka: E= 1 – 0 = 1 b) Diketahui: H=1
C=1 Maka: E= 1 – 1 = 0
Gambar 2.21. Objek untuk Perhitungan Euler Number
Pada contoh Gambar 2.20. didapat nilai Euler number pada objek (a) dari perhitungan adalah 1, sedangkan pada objek (b), euler number dari perhitungan didapat nilai 0.
2.11.7.Area
Area merupakan jumlah piksel yang merepresentasikan suatu citra. Pada citra biner, objek yang dicari luas areanya berwarna putih [13]. Warna putih pada citra biner bernilai 1(piksel). Total dari piksel dalam sebuah citra ini merupakan nilai areanya.
Rumus area ditunjukkan pada persamaan 2.13.
𝐴𝑖= ∑𝑀−1𝑥=0 ∑𝑁−1𝑦=0𝑂I (x,y) (2.13.) Keterangan :
𝐴𝑖 = Jumlah piksel dari luas objek (area) M = Kolom piksel
N = Baris piksel
Oi = Objek dalam suatu citra
Pada Gambar 2.21., dengan menjumlahkan piksel bernilai 1 pada objek persegi tersebut, didapatkan nilai 9. Nilai 9 tersebut merupakan area objek persegi.
Gambar 2.22. Area Objek Persegi [13]
24
BAB III
Rancangan Penelitian
Dalam bab ini akan dibahas rancangan penelitian yang meliputi:
1. Perancangan Sistem Secara Umum 2. Perancangan Mekanik
3. Perancangan Perangkat Keras (Hardware) 4. Perancangan Perangkat Lunak (Software)
3.1. Perancangan Sistem Secara Umum
Pada Tugas Akhir ini, akan dibuat alat yang dapat menyortir dan mencacah baut dan mur. Perancangan sistem penyortir dan pencacah ini memiliki beberapa komponen yang dapat dilihat pada Gambar 3.1. Penyortiran ini dikelompokkan berdasarkan bentuk objek, sedangkan pencacahan dikelompokkan berdasarkan bentuk dan ukuran objek. Objek berupa baut atau mur yang masing-masing terdiri dari 3 ukuran diletakkan di tray. Tugas tray adalah mengeluarkan baut atau mur satu per satu ke atas conveyor. Baut atau mur jatuh di ujung conveyor, rotasi dan translasi objek bebas dengan ketentuan objek harus tetap berada di ujung conveyor. Sensor infrared mendeteksi benda yang berada di atas conveyor, kemudian Webcam meng-capture objek yang dideteksi oleh sensor infrared. Hasil capture Webcam kemudian diproses oleh Raspberry Pi. Pemrosesan citra meliputi mengidentifikasi euler number untuk pengenalan bentuk dan mengidentifikasi area untuk pengenalan ukuran.
Raspberry Pi akan memberi sinyal pada motor servo untuk menggerakkan gate sesuai jenis benda apakah baut atau mur. Gate akan bergerak ketika sensor infrared di depan gate mendeteksi objek sudah mendekati gate. GUI akan menampilkan hasil cacahan baut dan mur tiga ukuran. Dalam penelitian ini, sensor yang mendeteksi objek berada di bawah Webcam disebut sensor infrared-Webcam, sedangkan sensor yang mendeteksi objek ketika berada di dekat gate disebut sensor infrared-gate.
Tugas gate dalam alat ini adalah untuk melaksanakan proses penyortiran baut dan
Tugas gate dalam alat ini adalah untuk melaksanakan proses penyortiran baut dan