TA : Rancang Bangun Robot Pemadam Api Menggunakan Pengolahan Citra Digital dan Flame Sensor.

(1)

RANCANG BANGUN ROBOT PEMADAM API MENGGUNAKAN PENGOLAHAN CITRA DIGITAL DAN FLAME SENSOR

TUGAS AKHIR

Disusun Oleh:

Nama : Robert Dwi Djoyo Kusuma

NIM : 08.41020.0080

Program : S1 (Strata Satu)

Jurusan : Sistem Komputer

SEKOLAH TINGGI

MANAJEMEN INFORMATIKA & TEKNIK KOMPUTER SURABAYA

2013

STIKOM

(2)

RANCANG BANGUN ROBOT PEMADAM API MENGGUNAKAN PENGOLAHAN CITRA DIGITAL DAN FLAME SENSOR

TUGAS AKHIR

Diajukan sebagai salah satu syarat untuk menyelesaikan

Program Sarjana Komputer

Disusun Oleh :

Nama : Robert Dwi Djoyo Kusuma

NIM : 08.41020.0080

Program : S1 (Strata Satu)

Jurusan : Sistem Komputer

SEKOLAH TINGGI

MANAJEMEN INFORMATIKA & TEKNIK KOMPUTER SURABAYA

2013

STIKOM

(3)

Penulis

DAFTAR ISI

Halaman

ABSTRAK …….. ... 7

KATA PENGANTAR ... 8

DAFTAR ISI ……. ... 10

DAFTAR TABEL ... 15

DAFTAR GAMBAR ... 16

DAFTAR LAMPIRAN ... 18

BAB I PENDAHULUAN ... 2

1.1 Latar Belakang Masalah ... 2

1.2 Perumusan Masalah ... 4

1.3 Pembatasan Masalah... 4

1.4 Tujuan ... 5

1.5 Sistematika Penulisan ... 5

BAB II LANDASAN TEORI ... 7

2.1 Robotino ... 7

2.2 DF ROBOT flame sensor ... 9

2.3 Webcam ... 12

2.4 Pengolahan Citra ... 13

2.4.1 Citra...13

STIKOM

(4)

2.4.2 Pengambangan (thresholding)...13

2.4.3 Color Filtering...14

2.4.4 Color Space...15

2.4.5 Smoothing...18

2.4.6 Computer Vision...20

2.4.7 OpenCV...21

2.4.8 OpenRobotino API...22

BAB III METODE PENELITIAN... 23

3.1 Perancangan Sistem dan Blok Diagram Sistem ... 23

3.1.1Cara Kerja Sistem Secara Keseluruhan ... 25

3.2 Perancangan Perangkat Lunak... 26

3.3 Inisialisasi Koneksi ... 28

3.4 Pergerakan Robotino...28

3.5 Streaming Citra...30

3.5.1 Penerimaan Data Citra...30

3.6 Pengolahan Citra...32

3.6.1 Konversi dari Ruang Warna RGB ke Ruang Warna HSV...33

3.6.2 Hough Transform Circle...38

3.6.3 Thresholding...39

3.6.4 Smoothing...41

3.7 Trajectory Planning...42

3.8 Flame Sensor...44

3.9 Alat Pemadam Api...45

3.10 Metode Pengujian dan Evaluasi Sistem...32

3.10.1 Pengujian dan Evaluasi Koneksi Robotino...46

3.10.2 Pengujian dan Evaluasi Pergerakan Robotino...46

STIKOM

(5)

3.10.3 Pengujian dan Evaluasi Streaming Citra Melalui Kamera

Robotino...47

3.10.4 Pengujian dan Evaluasi Konversi RGB ke HSV...47

3.10.5 Pengujian dan Evaluasi Flame Sensor...49

3.10.6 Pengujian dan Evaluasi Trajectory Planning...50

3.10.7 Pengujian dan Evaluasi Sistem Secara Keseluruhan...50

BAB IV HASIL DAN PEMBAHASAN ... 52

4.1 Pengujian dan Evaluasi Koneksi Robotino ... 52

4.1.1 Tujuan ... 52

4.1.2 Alat yang Digunakan ... 52

4.1.3 Prosedur Pengujian ... 53

4.1.4 Hasil Pengujian ... 53

4.1.5 Evaluasi ... 54

4.2 Pengujian dan Evaluasi Pergerakan Robotino ... 55

4.2.1 Tujuan ... 55

4.2.2 Alat yang Digunakan ... 55

4.2.5 Evaluasi ... 56

4.3 Pengujian dan Evaluasi Streaming Citra Melalui Kamera Robotino ... 56

4.3.1 Tujuan ... 57

4.3.2 Alat yang digunakan ... 57

4.3.5 Evaluasi ... 58

STIKOM

(6)

4.4 Pengujian dan Evaluasi Konversi RGB ke HSV dan Thresholding ... 59

4.4.1 Tujuan ... 59

4.4.5 Evaluasi ... 62

4.5 Pengujian dan Evaluasi Trajectory Planning ... 62

4.5.1 Tujuan ... 63

4.5.5 Evaluasi ... 67

4.6 Pengujian dan Evaluasi Flame Sensor ... 67

4.6.1 Tujuan ... 67

4.6.5 Evaluasi ... 70

4.7 Pengujian dan Evaluasi Alat Pemadam Api ... 70

4.7.1 Tujuan ... 70

4.7.5 Evaluasi ... 72

STIKOM

(7)

4.8 Pengujian dan Evaluasi Sistem Secara Keseluruhan ... 72

4.8.1 Tujuan ... 72

4.8.5 Evaluasi ... 75

BAB V PENUTUP ... 80

5.1 Simpulan ... 80

5.2 Saran ... 81

DAFTAR PUSTAKA ... 82

STIKOM

(8)

DAFTAR TABEL

Halaman

Tabel 2.1 Karakteristik Optikal – Elektro dari DF ROBOT flame sensor. ... 10 Tabel 2.2 Satuan Simbol dan Unit pada DF ROBOT flame sensor. ... 11

Tabel 4.1 Jarak maksimum robot dalam mendeteksi api...67

STIKOM

(9)

DAFTAR GAMBAR

Halaman

Gambar 2.1 Robotino ... 7

Gambar 2.2 Bagian-bagian Robotino... ... 9

Gambar 2.3 (a)Modul dan (b)bentuk dan ukuran fisik DF ROBOT flame sensor ...10

Gambar 2.4 (a) Perbandingan kolektor power dengan temperature dan (b) panjang gelombang terhadap sensitivitas gelombang. ... 11

Gambar 2.5 Webcam ... 12

Gambar 2.6 RGB Colorwheels ... 15

Gambar 2.7 RBG Lightness... 16

Gambar 2.8 HSV Hexcone ... 17

Gambar 2.9 HSV Box Colorspace ... 18

Gambar 3.1 Blog diagram sistem secara umum ... 24

Gambar 3.2 Blog diagram input dan output ... 25

Gambar 3.3 Blog diagram sistem secara keseluruhan. ... 26

Gambar 3.4 Flowchart sistem secara global ... 27

Gambar 3.5 Omni-Directional Drive Pada Robotino ... 29

Gambar 3.6 Lingkaran Elemen Warna Hue ... 34

STIKOM

(10)

Gambar 3.7 (a) Segmentasi dengan toleransi hue dengan rentang (-)120 – 15(b)

toleransi hue dengan rentang 30 – 360...34

Gambar 3.8 (a) Gambar asli (b) hasil tresholdingdengan toleransi saturation......35

Gambar 3.9 (a) Gambar asli (b) hasil tresholding dengan toleransi value...₃₆

Gambar 4.0 Citra input ... 38

Gambar 4.1 Filter Thresholding HSV ... 41

Gambar 4.2 Bagian-bagian alat pemadam api ... 45

Gambar 4.3 Consoleterhubung dengan simulasi Robotino ... 54

Gambar 4.4 Consoleterhubung dengan Robotino ... 54

Gambar 4.5 Gambar streaming kamera Robotino... 58

Gambar 4.6 (a)warna asli, (b) Warna dengan konversi HSV ... 60

Gambar 4.7 Gambar thresholding ... 61

Gambar 4.8 Gambar Smoothing ... 62

Gambar 4.9 Konfigurasi hue tanpa menggunakan saturation dan value. ... 64

Gambar 4.10 Konfigurasi saturation tanpa menggunakan hue dan value ... 64

Gambar 4.11 Konfigurasi value tanpa menggunakan saturation dan hue ... 64

Gambar 4.12 Konfigurasi menggunakan hue, saturation, value ... 65

Gambar 4.13 Grafik koordinat titik tengah api ... 68

Gambar 4.14Grafik koordinat error robot terhadap titik tengh api ... 68

Gambar 4.15 Grafik posisi api terhadap titik tengah robot dan posisi robot terhadap titik tengah api ... 69

Gambar 5.0 Grafik tegangan sensor benda terhadap jarak ... 69

Gambar 5.1 Denah lab mikrokontroler sebagai percobaan pergerakan robot ... 70

STIKOM

(11)

DAFTAR LAMPIRAN

Halaman

Lampiran 1. Kode Program Pergerakan Robotino ... 79

Lampiran 2. Kode Program Trackbar ... 79

Lampiran 3. Kode Program Streaming ... 79

Lampiran 4. Kode Program Initialiasi... 79

Lampiran 5. Kode Program Image Processing ... 80

Lampiran 6. Kode Program Perhitungan ... 81

Lampiran 7. Kode Program Hitung Error ... 82

Lampiran 8. Kode Program Delay ... 82

Lampiran 9. Kode Program Nose ... 83

Lampiran 10. Kode Program Data Waktu ... 83

Lampiran 11. Kode Program Grab Fire ... 84

Lampiran 12. Kode Program Image Received ... 84

Lampiran 13. Kode Program Destroy ... 85

Lampiran 14. Kode Program Main ... 86

Lampiran 15. Biodata Penulis ... 87

STIKOM

(12)

STIKOM

(13)

ABSTRAK

Kebakaran merupakan salah satu bencana yang ditakuti oleh setiap

orang. Kejadian ini kerap terjadi baik karena faktor lingkungan atau kelalaian

masyarakat. Bencana ini telah menelan korban puluhan hingga ratusan jiwa.

Berdasarkan masalah di atas penulis membuat robot pemadam api. Robot

ini memiliki kemampuan mendeteksi api dalam suatu ruangan tertutup dengan

menggunakan webcam yang terintegrasi dengan badan robot. Webcam ini berfungsi untuk mengenali objek api dengan menggunakan pengolahan citra.

Selain itu robot ini juga dilengkapi dengan sensor api yang dapat mendeteksi suhu

dari api, sensor akan mengeluarkan keluaran berupa tegangan pada saat

mendeteksi objek api. Setelah itu aktuator berupa alat pemadam api akan

memadamkan api tersebut.

Pengolahan citra memanfaatkan color filtering yaitu mengkonversi citra

HSV menjadi citra biner dengan konfigurasi threshold (96, 2, 254) – (180, 43, 256) untuk api merah dan (31, 48, 253) – (105, 243, 256) untuk api biru. Citra

dengan range tersebut akan didefinisikan api.

Sensor bekerja dengan baik ketika pengolahan citra mendefinisikan api.

Sensor memberikan keluaran tegangan sebesar 5 v ketika robot berada 30 cm di

depan api. Jarak maksimum yang dapat dijangkau robot dalam mendeteksi api

adalah 1.5 meter dengan tingkat keberhasilan 100% dan 1.8m dengan tingkat

keberhasilan 25% untuk proses trajectory planning.

Keyword: Kebakaran, flame sensors, api, webcam, trajectory planning.

STIKOM

(14)

STIKOM

(15)

BAB I PENDAHULUAN

1.1 Latar Belakang Masalah

Kebakaran merupakan salah satu bencana yang ditakuti oleh setiap

orang. Kejadian ini kerap terjadi baik karena faktor lingkungan atau kelalaian

masyarakat. Bencana ini telah menelan korban puluhan hingga ratusan jiwa.

Angka kebakaran yang terjadi di Jakarta mulai Januari sampai dengan 27

Desember 2012 mencapai angka 1.008 kejadian. Kebakaran ini terjadi di lima

wilayah, yaitu Jakarta Timur, Barat, Selatan, Utara, dan Pusat.

"Selama tahun 2012, kebakarannya sudah berulang 1.008 kali. Paling banyak

frekuensi kebakaran di Jakarta Timur sebanyak 285 kali," kata Kepala Dinas

Pemadam Kebakaran, Paimin Napitupulu di kantor Dinas Pemadam Kebakaran

Pemrov DKI pada Kamis (27/12/2012).

Penyebab kebakaran paling besar diakibatkan oleh korsleting listrik,

sebanyak 663 kali. Sedangkan kompor menjadi penyebab kebakaran di 88

kejadian. Kemudian penyebab lainnya adalah rokok sebanyak 46 kali, lampu 1

kali, dan dengan penyebab lain-lain seperti anak main petasan, sampah, atau obat

nyamuk. Dari 1.008 kebakaran tersebut, diperkirakan total kerugian mencapai Rp

290.304.480.000. Total tersebut hanya perkiraan kebakaran sampai tanggal 27

Desember 2012. (Napitupulu, 2012)

Karena jumlah frekuensi kebakaran yang terus meningkat, dinas

pemadam kebakaran mengimbau kepada masyarakat untuk selalu waspada dan

tidak mudah panik.

STIKOM

(16)

Sebagai upaya untuk menangani masalah di atas banyak yang sudah

melakukan penelitian tentang robot pemadam api dengan tujuan memadamkan

kebakaran tanpa melibatkan manusia, sehingga resiko terjadinya kecelakaan saat

proses pemadaman oleh manusia dapat ditekan semaksimal mungkin. Penelitian

yang dilakukan oleh Robertinus meneliti tentang.

OLE ( Off-road Loeshenhelt ), yang dalam bahasa Jerman berarti “peralatan pemadam kebakaran off-road”. OLE adalah sebuah produk industri

dari studio desain University of Magdeburg-Stendal. Robot ini dilengkapi dengan

tangki air dan pemadam api bertugas sebagai alat pemadam.

“OLE bergerak otomatis dengan dipandu oleh GPS dan dilapisi

dengan lapisan anti api. Robot ini memiliki enam kaki yang memiliki kemiripan pelindung” ( Robertinus, 2010 ).

Robot ini dirancang untuk memadamkan api di hutan atau ruangan

terbuka dan hanya menggunakan satu sensor untuk mendeteksi lokasi dari sumber

api yaitu sensor panas.

Nalwan menyebutkan bahwa, “Sistem kendali berupa

keypad,joystick atau remote kontrol akan mengirim perintah ke otak robot dan memberikan respon ke motor driver output information atau action tools”.

Delta Elektronik membuat sebuah robot pemadam api dengan

menggunakan sensor api yang mendeteksi api dengan menggunakan sensor

ultraviolet. Robot yang digunakan kali ini adalah robot yang bergerak

menggunakan roda oleh karena itu dibutuhkan motor DC sebagai penggeraknya.

( Nalwan, 2012 ).

STIKOM

(17)

Robot ini menggunakan satu sensor dalam pendeteksiannya dan

dibutuhkan joystick, keypad, atau remote kontrol untuk menggerakannya dengan kata lain dibutuhkan manusia dalam proses kerjanya.

Berdasarkan masalah di atas penulis membuat robot pemadam api

dengan versi yang berbeda. Robot ini memiliki kemampuan mendeteksi api dalam

suatu ruangan tertutup dengan menggunakan webcam yang terintegrasi dengan

badan robot. Webcam ini berfungsi untuk mengenali objek api dengan

menggunakan pengolahan citra. Selain itu robot ini juga dilengkapi dengan sensor

api yang dapat mendeteksi suhu dari api, sensor akan mengeluarkan keluaran

berupa tegangan pada saat mendeteksi api. Setelah itu aktuator berupa alat

pemadam api akan memadamkan api tersebut. Robot ini didesain untuk

memadamkan api pada ruangan tertutup dengan pencahayaan tetap. Robot ini

dilengkapi oleh sensor DF Robot Flame Sensor, kelebihan dari sensor ini adalah

dapat mendeteksi api lilin dengan jarak 100cm dengan keluaran yang dihasilkan

sebesar 0,5v dan 4,8v untuk jaraksejauh 20cm.

Berbeda dengan OLE robot ini menggunakan omni-drive sebagai alat

geraknya sehingga robot ini dapat melakukan manuver dengan lebih baik dan

presisi. Omni-drive merupakan roda yang dapat bergerak ke segala arah sampai

360 derajat membuat robot dapat dengan leluasa bergerak dan melakukan

manuver. Kelebihan dari robot ini adalah dalam sistem pendeteksiannya

menggunakan pendeteksian ganda, yaitu pengolahan citra untuk mengenali bentuk

citra dari api secara real-time dan sensor untuk mendeteksi suhu dari api dengan jarak yang telah ditentukan membuat robot ini lebih presisi dalam mengenali

objek api disekitarnya jika dibandingkan dengan OLE dan Delta Robot yang

STIKOM

(18)

menggunakanpendeteksian tunggal.

Robot ini juga telah diprogram dan dapat bekerja tanpa adanya kontrol

secara langsung seperti OLE dan Delta Robot yang menggunakan joystick dan

remote kontrol sebagai pengendalinya. Dengan adanya robot ini diharapkan

kecelakaan manusia akibat proses pemadaman kebakaran dapat diminimalkan.

1.2 Perumusan Masalah

1. Bagaimana membuat robot pemadam api dengan menggunakan metode

pengolahan citra digital dan flame sensor ?

2. Bagaimana citra digital mengenali objek api serta membedakan dengan objek

di sekitarnya ?

3. Bagaimana sensitivitas flame sensor terhadap jarak sensor dengan api ?

1.3 Pembatasan Masalah

1. Robot yang digunakan adalah Robotino.

2. Webcam yang digunakan adalah webcam robotino.

3. Sensor api yang digunakan adalah DF ROBOT flame sensor.

4. Pengujian robot dilakukan di dalam ruangan dengan pencahayaan tetap tanpa

sekat.

5. Serangkaian alat pemadam api dengan menggunakan modifikasi wiper pada

mobil.

STIKOM

(19)

1.4 Tujuan

1. Membuat robot pemadam api dengan menggunakan pengolahan citra digital

dan flame sensor.

2. Membuat citra digital dapat mengenali objek api dan membedakan dengan

objek disekitarnya.

3. Mengukur sensitivitas sensorterhadap jarak sensor dengan api.

1.5 Sistematika Penulisan

Pada penulisan Laporan Tugas Akhir ini ditulis dengan sistematika

penulisan sebagai berikut :

BAB I : PENDAHULUAN

Pada bab ini dikemukakan hal–hal yang menjadi latar belakang,

perumusan masalah, batasan masalah, tujuan yang ingin dicapai,

manfaat serta sistematika penulisan Laporan Tugas Akhir ini.

BAB II : LANDASAN TEORI

Pada bab ini dibahas teori yang berhubungan dengan Robotino, DF

Robot flame sensor, alat pemadam api, webcam robotino, pengolahan

citra.

BAB III : METODE PENELITIAN

Pada bab ini dibahas mengenai penjelasan sistem keseluruhan beserta

detail dari blok diagram sistem yang dibuat, penjelasan perancangan

perangkat keras converter tegangan, modifikasi alat pemadam api,

STIKOM

(20)

modul sensor DF ROBOT flame sensor dan program pengolahan citra

beserta detail cara kerjanya.

BAB IV : HASIL DAN PEMBAHASAN

Pada bab ini memaparkan berbagai macam percobaan yang dilakukan,

hasil-hasil yang didapatkan berserta solusi dari permasalahan yang

didapat. Selain itu disertai pula hasil uji coba perbagian seperti

ujicoba kepekaan sensor terhadap jarak dengan api, ujicoba minimum

sistem converter tegangan, ujicoba kepekaan kamera terhadap warna api dengan melakukan kalibrasi terhadap nilai HSV yang ada dan juga

uji coba sistem secara keseluruhan meliputi hasil pengolahan citra,

pergerakan robot dan pemadam api.

BAB V : PENUTUP

Pada bab ini dibahas mengenai kesimpulan dari sistem terkait dengan

tujuan dan permasalahan yang ada, tentang bagaimana robot pemadam

api tersebut beroperasi, kelebihan dan kekurangan dari robot ini serta

saran untuk pengembangan sistem di masa mendatang.

STIKOM

(21)

BAB II LANDASAN TEORI

2.1 Robotino

Robotino adalah robot buatan Festo Didactic yang digunakan untuk

edukasi dan penelitian serta kompetisi robot. Robotino memiliki fitur sistem gerak

menggunakan omni-directional drive, bumps sensor, infrared distance sensor, dan

usb webcam. Robotino didesain modular, sehingga dapat dengan mudah

ditambahkan berbagai akesesoris pelengkap, seperti sensor laser scanner,

gyroscope, dan postioning system Northstar dalam ruangan. (ROS, 2010).

Gambar 2.1 Robotino

Gambar 2.1 merupakan bentuk fisik dari Robotino. Robotino dapat

bergerak maju, mundur dan menyamping ke segala arah, serta berputar di tempat,

dengan menggunakan tiga roda. Robot ini dapat diintegrasikan dan digunakan

STIKOM

(22)

sebagai pilihan teknologi, misalnya untuk teknologi penggerak listrik, sensor,

teknologi kontrol, pengolahan citra dan teknik pemrograman (Karras, 2009).

Robotino memiliki spesifikasi perangkat keras sebagai berikut : (Weber, dkk.

2010)

1. 1 buah chasis 2. 3 buah drive unit

3. 2 buah baterai

4. 1 buah command bridge

5. 1 buah kamera

6. 1 buah soket konektor VGA

7. 2 buah USB ports 8. 1 buah ethernet

9. 9 buah sensorinfrared

10. 3 buah incremental encoder 11 1 buah anti-coallision sensor 12 1 buah wireless LAN access point

13. 1 buah compact flash card 14. 1 paket I/O interface tambahan

STIKOM

(23)

Gambar 2.2 Bagian-bagian Robotino (Weber, dkk. 2010).

2.2 DF ROBOT (Flame Sensor)

Sensor dari DF ROBOT berikut ini dapat mendeteksi nyala api dengan

panjang gelombang 760 ~ 1100 nm, sensor ini dapat mendeteksi suhu panas

berkisar 25 C – 85 C. Sensitivitas dari produk ini sudah teruji dengan baik melalui

beberapa percobaan yang telah dilewati membuat penulis memilih sensor dari DF

ROBOT ini sebagai sensor yang akan diintegrasikan dengan robotino sebagai

salah satu sarana untuk mendeteksi suhu dari api. Sensor ini dapat mendeteksi api

dari jarak 100 cm dengan keluaran tegangan sebesar 0,5v, dan pada jarak 20 cm

dengan objek sensor ini dapat mengeluarkan keluaran tegangan sebesar 5v.

Berikut adalah modul dan ukuran fisik dari DF ROBOT flame sensor :

STIKOM

(24)

(a) (b)

Gambar 2.3 (a)Moduldan (b) bentuk dan ukuran fisik DF ROBOT flame sensor ( DFRobot, 2011 ).

Tabel 2.2 Karakteristik Optikal – Elektro dari DF ROBOT flame sensor.

STIKOM

(25)

Tabel 2.3 Satuan Simbol dan Unit pada DF ROBOT flame sensor.

(a) (b)

Gambar 2.4 (a) Perbandingan kolektor power dengan temperature dan (b) panjang gelombang terhadap sensitivitas gelombang. (DF ROBOT.2011)

STIKOM

(26)

2.3 Webcam

Webcam adalah kamera video sederhana berukuran relatif kecil. sering

digunakan untuk konferensi video jarak jauh atau sebagai kamera pemantau.

Webcam pada umumnya tidak membutuhkan kaset atau tempat penyimpanan data,

data hasil perekaman yang didapat langsung ditransfer ke komputer.

(Webcam,Inc.2009).

Gambar 2.5 Webcam

(Webcam, Inc.2009)

Robotino dilengkapi dengan webcam yang dilengkapi oleh JPEG

compression,Gambar hasil kompresi tersebut dapat di transmisikan ke PC via

WLAN untuk evaluasi,pada ulasan kali ini webcam akan digunakan untuk mendeteksi lokasi dari api. Webcam akan melakukan proses pengolahan citra

dengan mengolah RGB dari image yang ditangkap dan melakukan kalkulasi dengan warna api. (Weber,dkk.2010)

STIKOM

(27)

2.4 Pengolahan Citra

Pengolahan citra adalah salah satu cabang dari ilmu informatika.

Pengolahan citra berkutat pada usaha untuk melakukan transformasi suatu

citra/gambar menjadi citra lain dengan menggunakan teknik tertentu. (Munir,

Rinaldi. 2004)

2.4.1 Citra

Citra adalah gambar dua dimensi yang dihasilkan dari gambar analog dua

dimensi yang secara terus menerus menjadi gambar diskrit melalui proses

sampling. Gambar analog dibagi menjadi x baris dan y kolom sehingga menjadi

gambar diskrit. Persilangan antara baris dan kolom tertentu disebut dengan piksel

[n,m]. (Munir, Rinaldi.2004)

2.4.2 Pengambangan (Thresholding)

Konversi dari citra hitam-putih ke citra biner dilakukan dengan operasi

pengambangan (thresholding). Operasi pengambangan mengelompokkan nilai derajat keabuan setiap piksel kedalam 2 kelas, hitam dan putih.

Pengkonversian citra hitam-putih (greyscale) menjadi citra biner

dilakukan untuk alasan-alasan sebagai berikut :

1. Untuk mengidentifikasi keberadaan objek, yang direpresentasikan sebagai

daerah didalam citra.

2. Untuk lebih memfokuskan pada analisis bentuk morfologi, yang dalam hal

ini intensitas piksel tidak terlalu penting dibandingkan bentuknya. Setelah

STIKOM

(28)

objek dipisahkan dari latar belakangnya, properti geometri dan

morfologi/topologi objek dapat dihitung dari citra biner.

3. Mengkonversi citra yang telah di ditingkatkan kualitas tepinya (edge

enhancement) ke penggambaran garis-garis tepi. Hal ini perlu dilakukan

untuk membedakan tepi yang kuat yang berkoresponden dengan

batas-batas objek dengan tepi lemah yang berkoresponden dengan perubahan

illumination, bayangan, dll.

2.4.3 Color Filtering

Color filtering adalah suatu teknik pengolahan citra yang yang dipakai

untuk memanipulasi suatu citra berdasarkan warna spesifik. Cara kerjanya adalah

dengan membandingkan komponen warna setiap pixel citra dengan warna

spesifik. Apabila warnanya sesuai dengan warna spesifik komponen warna pixel tersebut dibiarkan saja. Namun, bila warnanya tidak sesuai dengan warna spesifik

maka komponen warna pixel tersebut diubah menjadi warna background, biasanya menjadi warna hitam.

Warna yang digunakan dalam color filtering dapat direpresentasikan

dalam berbagai ruang warna. Ada beberapa ruang warna yang dikenal, antara lain

RGB (Red, Green, Blue), HSV (Hue, Saturation, Value), YCbCr, dsb. HSV

merupakan ruang warna yang sangat cocok untuk mengidentifikasi warna-warna

dasar, dimana warna dasar ini digunakan dalam penelitian sebagai warna

identifikasi robot. Selain itu, HSV menoleransi terhadap perubahan intensitas

cahaya. Inilah yang menjadi keunggulan HSV dibandingkan dengan ruang warna

lainnya.

STIKOM

(29)

2.4.4 Color Space

1. RGB

Model warna RGB adalah model warna berdasarkan konsep penambahan

kuat cahaya primer yaitu Red, Green dan Blue. Dalam suatu ruang yang sama sekali tidak ada cahaya, maka ruangan tersebut adalah gelap total. Tidak ada

signal gelombang cahaya yang diserap oleh mata kita atau RGB (0,0,0). Ruang

warna RGB.dapat dilhat pada Gambar 2.6.

Gambar 2.6 RGB Colorwheels (Syuhadi,2010)

Apabila kita menambahkan cahaya merah pada ruangan tersebut, maka

ruangan akan berubah warna menjadi merah misalnya RGB (255,0,0), semua

benda dalam ruangan tersebut hanya dapat terlihat berwarna merah. Demikian

apabila cahaya kita ganti dengan hijau atau biru (Permana,2010). Pencerahan serta

pengaruh intensitas cahaya dalam ruang warna RGB dapat dilihat pada Gambar

2.7.

STIKOM

(30)

Gambar 2.7 RBG Lightness (Permana,2010)

2. HSV

Model HSV (Hue Saturation Value) menunjukkan ruang warna dalam bentuk tiga komponen utama, yaitu hue, saturation dan value (atau disebut juga

brightness). Hue adalah sudut dari 0 sampai 360 derajat. Biasanya 0 adalah

merah, 60 derajat adalah kuning, 120 derajat adalah hijau, 180 derajat adalah

cyan, 240 derajat adalah biru dan 300 derajat adalah magenta.

Hue menunjukkan jenis warna (seperti merah, biru atau kuning) atau corak warna, yaitu tempat warna tersebut ditemukan dalam spektrum warna.

Merah, kuning dan ungu adalah kata-kata yang menunjukkan hue. Saturasi suatu warna adalah ukuran seberapa besar kemurnian dari warna tersebut. Sebagai

contoh, suatu warna yang semuanya merah tanpa putih adalah saturasi penuh. Jika

ditambahkan putih ke merah, hasilnya lebih berwarna-warni dan warna bergeser

dari merah ke merah muda. Hue masih tetap merah tetapi nilai saturasinya berkurang. Saturasi biasanya bernilai 0 sampai 1 (atau 0% sampai 100%) dan

menunjukkan nilai keabu-abuan warna dimana 0 menunjukkan abu-abu dan 1

menunjukkan warna primer murni. Komponen ketiga dari HSV adalah value atau

STIKOM

(31)

disebut juga intensitas, yaitu ukuran seberapa besar kecerahan suatu warna atau

seberapa besar cahaya datang dari suatu warna. Nilai value dari 0% sampai 100%. Pemetaan ruang warna HSV dalam bentuk Hexcone dapat dilihat pada Gambar

2.8.

Gambar 2.8 HSV Hexcone (Permana,2010)

Suatu warna dengan nilai value 100% akan tampak sangat cerah dan suatu warna dengan nilai value 0 akan tampak sangat gelap. Sebagai contoh, jika

hue adalah merah dan value bernilai tinggi maka warna akan terlihat cerah tetapi ketika nilai value bernilai rendah maka warna tersebut akan terlihat gelap. Color

space dari HSV dapat dilihat pada Gambar 2.9.

STIKOM

(32)

Gambar 2.9 HSV Box Colorspace. (Permana,2010)

Dengan sistem koordinat HSV, beberapa pengamatan dapat dilakukan

sehubungan dengan daerah warna kubus RGB. Yang pertama adalah vertek-vertek

cyan, magenta dan kuning dari kubus yang menunjukkan warna yang lebih cerah dibanding dengan warna merah, hijau dan biru karena warna merah hijau dan biru

diproyeksikan lebih rendah ke sumbu netral. Dengan cara yang sama, semua

warna dalam piramid yang ditunjukkan vertek C,Y,M dan W berhubungan ke

warna-warna lebih terang dan piramid yang ditunjukkan oleh titik pusat dan

vertek R,G dan B berhubungan ke warna-warna yang lebih gelap. Warna dekat

sumbu netral dalam kubus akan mempunyai banyak warna karena saturasinya

kurang dan warna yang lebih jauh dari sumbu ini akan tampak lebih hidup

(Permana,2010).

2.4.5 Smoothing

Proses smoothing citra dilakukan untuk menekan noise pada citra. Gangguan tersebut biasa muncul akibat hasil dari alat pengambilan citra yang

kurang bagus atau akibat saluran transmisi. Pada umumnya noise tersebut berupa

STIKOM

(33)

variasi intensitas suatu pixel yang tidak berkorelasi dengan pixel-pixel

tetangganya. Secara visual, gangguan mudah dilihat oleh mata karena tampak

berbeda dengan pixel tetangganya. Gaussian Filtering adalah filter ideal yang

mampu mengurangi besarnya frekuensi spasial yang tinggi yang mampu

mengurangi besarnya frekuensi yang lebih tinggi lagi dalam sebuah citra.

Ada beberapa cara yang berbeda untuk mengimplementasikan Gaussian

Filtering. Salah satunya menggunakan Spatial Filter, konvolusi ini menggunakan

Operator Gaussian Smoothing 2-D yang mirip dengan filter1-D, tetapi

menggunakan kernel yang berbeda yang mewakili bentuk Gaussian 1-D untuk nilai X dan nilai Gaussian 1-D untuk nilai Y. Sehingga konvolusi ini termasuk

tipe non linear kernel. Dalam Spatial Filter digunakan persamaan 2.1.

………(2.1)

Dimana x adalah jarak dari citra asli pada aksis horizontal, y adalah jarak

dari citra asli dalam aksis vertikal, dan σ adalah standar deviasi dari distribusi

Gaussian. Ketika diterapkan dalam gambar dua dimensi, rumus ini menghasilkan

permukaan yang kontur, yaitu lingkaran konsentris dengan distribusi Gaussian

dari titik pusat. Nilai dari distribusi ini digunakan untuk membangun sebuah

konvolusi matriks yang diterapkan pada citra asli. Nilai baru pada setiap pixel

diatur untuk rata-rata tertimbang dari pixel tetangga (neighborhood). Nilai pixel asli menerima bobot yang lebih berat (yang memiliki nilai tertinggi Gaussian) dan

pixel tetangga menerima bobot yang lebih kecil sebagai jarak mereka meningkat

pixel asli. Hal ini menghasilkan blur yang melindungi batas-batas dan tepi yang

lebih baik daripada lainnya, blurring filters lebih seragam (Munir, 2004).

STIKOM

(34)

2.4.6 Computer Vision

Computer Vision adalah pencitraan komputer dimana aplikasi tidak

melibatkan manusia dalam proses pengulangan visual. Dengan kata lain, gambar

yang diperiksa dan di olah oleh komputer. Meskipun orang yang terlibat dalam

pengembangan sistem aplikasi, akhirnya membutuhkan komputer untuk

mengambil informasi visual secara langsung (Umbaugh, 1998).

Computer vision merupakan sebuah proses otomatis yang

menintegrasikan sejumlah besar proses persepsi visual, seperti pengolahan citra,

klasifikasi citra, pengenalan citra dan akusisi citra. Computer vision didefinisikan

sebagai salah satu cabang ilmu pengetahuan yang mempelajari bagaimana

komputer dapat mengenali obyek yang diamati atau diobservasi. Cabang ilmu ini

bersama kecerdasan buatan (Artificial Intelligence) akan mampu menghasilkan

sistem kecerdasan visual (Visual Intelligence System) (Munir, 2004).

Vision = Geometri + Measurement + Interpretatio………(2.2)

Proses-proses dalam computer vision dapat dibagi menjadi tiga aktivitas:

a. Memperoleh atau mengakuisisi citra digital.

b. Melakukan teknik komputasi untuk memperoses atau memodifikasi data citra.

c. Menganalisis dan menginterpretasi citra dan menggunakan hasil pemrosesan

untuk tujuan tertentu, misalnya memandu robot, mengontrol peralatan,

memantau proses manufaktur, dan lain-lain.

STIKOM

(35)

2.4.7 OpenCV

OpenCV (Open Computer Vision) adalah sebuah API (Application

Programming Interface) library yang sudah sangat familiar pada pengolahan citra

computer vision. Computer vision itu sendiri adalah salah satu cabang dari bidang

ilmu pengolahan citra (Image Processing) yang memungkinkan komputer dapat

melihat seperti manusia. Dengan computer vision tersebut komputer dapat mengambil keputusan, melakukan aksi, dan mengenali terhadap suatu objek.

Beberapa pengimplementasian dari computer vision adalah face recognition, face

detection, face/pbject tracking, road tracking, dll.

OpenCV adalah libraryopen source untuk computer vision untuk C/C++, OpenCV didesain untuk aplikasi real-time, memiliki fungsi-fungsi akuisisi yang baik untuk image/video. OpenCV juga menyediakan interface ke Integrated

Performance Primitives (IPP) Intel sehingga jika anda bisa mengoptimasi aplikasi

computer vision anda jika menggunakan prosesor Intel (Syafi’i,2011). Fitur yang

dimiliki OpenCV antara lain :

1. Manipulasi data citra (alocation, copying, setting, convert).

2. Citra dan video I/O (file dan kamera based input, image/video file output).

3. Manipulasi Matriks dan Vektor beserta rutin-rutin aljabar linear (products,

solvers, eigenvalues, SVD).

4. Data struktur dinamis (lists, queues, sets, trees, graphs).

5. Pemroses citra fundamental (filtering, edge detection, corner detection, sampling and interpolation, color conversion, morphological operations,

histograms, image pyramids).

STIKOM

(36)

6. Analisis struktur (connected components, contour processing, distance

Transform, various moments, template matching, Hough Transform,

polygonal approximation, line fitting, ellipse fitting, Delaunay

triangulation).

7. Kalibrasi kamera (calibration patterns, estimasi fundamental matrix,

estimasi homography, stereo correspondence).

8. Analisis gerakan (optical flow, segmentation, tracking). 9. Pengenalan obyek (eigen-methods, HMM).

10. Graphical User Interface (display image/video, penanganan keyboard dan

mouse handling, scroll-bars).

OpenCV terdiri dari 3 library, yaitu:

1. CV : Untuk algoritma Image Processing dan Vision 2. Highgui : Untuk GUI, Image dan Video I/O

3. CXCORE : Untuk struktur data, support XML dan fungsi-fungsi grafis.

2.4.8 OpenRobotino API

OpenRobotinoAPI (Application Programming Interface) adalah library aplikasi programming yang dibuat khusus untuk Robotino yang diciptakan untuk

mempermudah user dalam membuat program pada Robotino. Library ini memungkinkan akses penuh terhadap sensor dan actors pada Robotino. Komunikasi antara Robotino dengan PC melalui jaringan TCP dan UDP, dan

semuanya sangat transparan, meskipun program yang berjalan sudah tertanam

pada Robotino ataupun secara remote (Robotino,2010).

STIKOM

(37)

BAB III

METODE PENELITIAN

Untuk pengumpulan data yang diperlukan dalam melaksanakan tugas

akhir, ada beberapa cara yang telah dilakukan, antara lain:

1. Studi kepustakaan

Studi kepustakaan berupa pencarian data-data literatur dari

masing-masing fungsi pada library OpenCV dan OpenRobotinoAPI, melalui pencarian

dari internet, dan konsep-konsep teoritis dari buku-buku penunjang serta metode

yang akan digunakan untuk melakukan pengolahan citra.

2. Penelitian laboratorium

Penelitian laboratorium dilakukan dengan perancangan perangkat lunak,

implementasi perangkat lunak, pengambilan data pengujian aplikasi dengan

Robotino, kemudian melakukan evaluasi dari data hasil pengujian.

3.1. Perancangan Sistem dan Blok Diagram Sistem

Model penelitian yang akan dilakukan adalah model penelitian

pengembangan. Untuk mempermudah dalam memahami sistem yang akan dibuat

dapat dijelaskan melalui blok diagram pada Gambar 3.1.

Seperti pada Gambar 3.1 pada inisialisasi awal Robotino akan

melakukan pergerakan dengan berputar 360 derajat guna mendeteksi keberadaan

api, setelah gambar api tertangkap oleh kamera Robotino akan bergerak menuju

lokasi api tersebut, setelah jarak yg memungkinkan flame detector akan

memastikan bahwa gambar yang tertangkap oleh kamera tersebut benar sebuah

STIKOM

(38)

api dengan inputan suhu panas. Jika gambar tesebut benar sebuah api maka

Robotino akan mengeluarkan keluaran tegangan yang akan menggerakan aktuator

(alat pemadam api), yang dapat memadamkan api tersebut.

Gambar 3.1 Blog diagram sistem secara umum

Pada Gambar 3.2 dijelaskan bahwa dalam proses kerjanya robotino akan

mendapatkan 2 inputan berupa webcam dan flame sensor. Webcam digunakan untuk proses pendeteksian awal lokasi api pada suatu ruangan dan flame sensor

beguna untuk memastikan bahwa gambar yang dideteksi oleh kamera tersebut

adalah benar api sungguhan dengan mendeteksi suhu dari api tersebut.

Robotino

Personal Computer

Visual C++

(add: OpenCV, OpenRobotinoAPI)

Alat pemadam api

STIKOM

(39)

Gambar 3.2 Blog diagram input dan output

.

Keluaran yang dihasilkan berupa tegangan yang akan digunakan untuk

menggerakan aktuator berupa serangkaian alat pemadam api.

1.1.1 Cara kerja sistem secara keseluruhan

Pada Gambar 3.3 dijelaskan bagaimana cara kerja sistem dan pengolahan

data api berupa gambar dan suhu (radiasi), proses awal menggunakan pengolahan

citra dimana webcam akan menangkap gambar dari api dan mengubah nilai RGB

ke HSV dilanjutkan dengan proses tresholding.

Setelah melalui proses tersebut dilakukan proses kalibrasi nilai HSV api

agar citra yang didapatkan murni merupakan komposisi warna api, dengan metode

ini objek di sekitar api tidak terdeteksi walaupun memiliki keidentikan warna.

Setelah melewati proses kalibrasi nilai HSV akan didapatkan citra api yang

sesungguhnya dan robot akan melakukan pergerakan menuju sumber api tersebut.

ROBOTINO

WEBCAM

FLAME

SENSOR

ALAT

PEMADAM API

Personal

komputer

WIFI

STIKOM

(40)

Gambar 3.3 Blog diagram sistem secara keseluruhan.

Setelah robot berada 20cm dekatnya dari api sensor akan bekerja dan

mengeluarkan keluaran berupa tegangan sebesar 5v. Tegangan tersebut akan

memicu aktuator berupa alat pemadam api untuk bekerja dan memadamkan api.

1.2 Perancangan Perangkat Lunak

Dalam perancangan perangkat lunak, compiler yang digunakan adalah Microsoft Visual C++ 2008. Untuk libraryyang digunakan pada pengolahan citra

yaitu library OpenCV v2.1 dan library OpenRobotinoAPI digunakan untuk mengintegrasikan Robotino dengan PC.

Kemudian dalam penulisannya atau dalam pembuatan program, akan

meliputi bagian-bagian penting dalam setiap langkah-langkah per bagian sesuai

dengan algoritma atau logika sekuensial dari awal sampai output. Berikut adalah

algoritma program secara global. Objek :

Api.

Input Kamera : Citra Api.

Proses :

-Konversi RGB-HSV -Konversi Hsv-Citra Biner -Smoothing

-Kalibrasi Nilai Citra Api

Output : Citra Api (citra biner). Input Sensor: Suhu Api. Proses : -Pendeteksian Suhu. -Mengeluarkan tegangan statis sesuai suhu yang diterima.

(41)

Gambar 3.4 Flowchart sistem secara global

3.3 Inisialisasi Koneksi

Tahap-tahap inisialisai Robotino meliputi cara-cara setting koneksi

Robotino dan pergerakan Robotino. Untuk kendali Robotino digunakan

OpenRobotinoAPI (Application Programming Interface) yaitu library aplikasi

Ada api Inisialisasi koneksi

Streaming citra

Trajectory planing Pengolahan citra

Pergerakan Robotino

start

Flame sensor

Pemadam api Jarak > 20cm

Tidak ada api _Stop True

False

True

False

True False

STIKOM

(42)

programming yang dibuat khusus untuk Robotino, yang diciptakan untuk mempermudah user dalam membuat program pada Robotino. Library ini memungkinkan akses penuh terhadap sensor dan actuator pada Robotino.

Komunikasi antara Robotino dengan PC melalui jaringan TCP atau UDP

menggunakan media wireless.

Untuk menghubungkan koneksi wireless dari PC ke access point

Robotino digunakan prototipe fungsi com.setAddress yang digunakan untuk

memberikan alamat IP yang akan diakses. Untuk simulasi pada program

Robotino® SIM dapat digunakan alamat IP 127.0.0.1:8080. Untuk koneksi

langsung ke access point Robotino, secara default alamat IP yang digunakan

adalah 172.26.1.1.

Untuk mengakses fungsi tersebut dibutuhkan deklarasi header file yang terletak pada rec/robotino/com/all.h, dimana pada awal program harus

dideklarasikan terlebih dahulu.

3.4 Pergerakan Robotino

Robotino memiliki sistem pergerakan omni-directional drive dimana terdapat 3 buah roda yang digunakan untuk menggerakan Robotino. Berikut

gambar sistem omni-directional drive Robotino pada Gambar 3.5.

STIKOM

(43)

.

Gambar 3.5 Omni-Directional Drive Pada Robotino

Untuk untuk menggerakan Robotino digunakan fungsi

void drive(int x, int y, int z) {

omniDrive.setVelocity( x , y , z); }

Parameter vx adalah parameter kecepatan pada sumbu x (+ maju,

-mundur) dan vy adalah parameter kecepatan untuk sumbu y (+ kanan, - kiri),

dengan ketentuan parameter vx dan vy dalam satuan mm/s. Dan omega

merupakan parameter kecepatan sudut dengan ketentuan parameter omega dalam

satuan deg/s.

Untuk mengakses fungsi tersebut dibutuhkan deklarasi header file yang

terletak pada rec/robotino/com/all.h, dimana pada awal program harus

dideklarasikan terlebih dahulu.

Pada saat tahap inisialiasi Robotino akan melakukan manuver dengan

berputar 360° untuk mencari lokasi dari api.

STIKOM

(44)

3.5 Streaming Citra

Untuk menampilkan data citra yang sudah tersimpan pada Iplimage kedalam window baru digunakan prototipe fungsi pada library OpenCV yaitu

cvShowImage (const char *name, const CvArr *image). Dengan ketentuan

parameter const char *name adalah nama window dan const CvArr *image adalah

Iplimage yang ditampilkan. Berikut program yang digunakan untuk menampilkan

data citra secara streaming:

cam.setStreaming(true); cvShowImage( "image", img1);

cvShowImage( "thresholded", thresholded); c = cvWaitKey(10);

Untuk refresh citra yang ditampilkan pada window dibutuhkan fungsi

cvWaitKey. Ini dikarenakan OS memiliki waktu minimum dalam menjalankan

threads secara bergantian. Fungsi ini tidak memberikan delay persis seperti

parameter yang telah set, namun delay tergantung threads yang sedang berjalan pada komputer saat itu. Nilai yang dikeluarkan dari fungsi ini adalah kode untuk

penekanan tombol atau -1 apabila tidak ada tombol yang ditekan selama waktu

yang ditentukan.

3.5.1 Penerimaan Data Citra

Setiap data citra yang dikirimkan dari webcam Robotino diakses dengan

pointer bertipe const unsigned char. Karena resolusi default dari Robotino adalah

320x240 maka data untuk 1 citra yang dikirimkan adalah sebanyak 230400,

dimana pada 1 pixel citra terdapat 3 channel, dan pada setiap channel berukuran

8bit. Ketika fungsi setStreaming bernilai true, fungsi imageReceivedEvent akan

STIKOM

(45)

terus melakukan streaming citra hingga koneksi diputuskan atau saat setStreaming

bernilai false. Penyimpan data ke dalam format Iplimage akan ditunjukan seperti potongan program berikut:

Iplimage *ima =cvCreateImage(cvSize(width,height),IPL_DEPTH_8U,3);

for (int i = 0; i < dataSize; i++) {

ima->imageData[i] = *(data+i)

}

Data citra yang ditangkap adalah data citra dengan ruang warna RGB dan

disimpan langsung pada variabel Iplimage (Intel Image Processing Library) yaitu stuktur data untuk penyimpanan data citra pada OpenCV. Namun urutan channel

data dalam Iplimage adalah BGR sehingga untuk menampilkan warna

sesungguhnya, harus dikonversikan terlebih dahulu dengan fungsi cvCvtColor

seperti baris perintah seperti berikut:

cvCvtColor(img2,img1, CV_BGR2RGB);

Setelah itu proses dilanjutkan dengan mengubah komposisi RGB menjadi

HSV dengan menggunakan perintah seperti berikut:

cvCvtColor(img2,hsv, CV_BGR2HSV);

Ketika fungsi setStreaming diset dengan nilai true, maka fungsi

imageReceivedEvent langsung menangkap data citra secara streaming. Untuk

mengakses fungsi imageReceivedEvent dibutuhkan deklarasi header file yang terletak pada rec::Robotino::com:Camera.h, dimana pada awal program harus

dideklarsikan terlebih dahulu. Fungsi imageReceivedEvent perlu dideklarasikan

sebagai class baru karena fungsi tersebut adalah fungsi virtual, namun untuk penulisannya harus disertakan fungsi induknya (parent) karena class yang dibuat

adalah class turunan (inheritance). Berikut potongan class yang dideklarasikan:

STIKOM

(46)

class MyCamera : public Camera {

public: MyCamera() {

}

void imageReceivedEvent( const unsigned char* data,

unsigned int dataSize,

unsigned int width,

unsigned int height,

unsigned int numChannels,

unsigned int bitsPerChannel,

unsigned int step ); };

3.6 Pengolahan Citra

Gambar 3.6 Flowchart Pengolahan Citra

Metode utama yang digunakan pada proses pengolahan citra dalam

aplikasi ini adalah color filtering. Dalam proses color filtering untuk mempermudah melakukan filter terhadap warna tertentu tanpa terpengharuh

intensitas cahaya digunakan ruang warna HSV (Dhiemas, 2011), maka diperlukan

proses konversi citra dari ruang warna RGB ke ruang warna HSV. Tresholding

Smoothing

Konversi citra RGB ke HSV

STOP Pengolahan citra

Hough transform

STIKOM

(47)

Hasil color filtering dalam ruang warna HSV tersebut berupa citra biner

atau hitam putih, dengan menentukkan batasan nilai threshold pada warna yang akan dideteksi.

Hough transform digunakan untuk mencari titik tengah dari citra api

menggunakan circle detection. Untuk mengurangi noise pada gambar digunakan proses smoothing dengan menggunakan Gaussian Filtering untuk mendapatkan

efek blur pada gambar.

3.6.1 Konversi dari Ruang Warna RGB ke Ruang Warna HSV

HSV merupakan singkatan dari Hue, Saturation dan Value, sedangkan

color space berarti ruang warna. Ruang warna adalah suatu metode yang

digunakan untuk merepresentasikan warna menjadi suatu bentuk yang bisa

diperhitungkan dengan angka, secara khusus yang terkait disini adalah tiga atau

empat nilai atau komponen warna. ruang warna meminjamkan dirinya sendiri

untuk untuk menghasilkan representasi suatu warna, terutama untuk representasi

digital, seperti sebagai suatu hasil cetakan digital atau tampilan pada media

elektronik.

Hue merupakan salah satu elemen dalam ruang warna HSV yang

mewakili warna sehingga toleransi hue juga akan mempengaruhi nilai warna terseleksi dalam proses segmentesi. Nilai hue direpresentasikan dalam bentuk lingkaran dan memiliki rentang berupa sudut antara 0o - 360o. Penggambaran

elemen warna hue dapat dilihat pada Gambar 3.7.

STIKOM

(48)

Gambar 3.7 Lingkaran Elemen Warna Hue

Oleh karena elemen warna hue berupa lingkaran dan dituliskan dalam sudut maka setiap operasi yang berkaitan dengan elemen warna hue

(penambahan/pengurangan, perhitungan toleransi, filter warna) merupakan

operasi sudut. Penambahan nilai hue sebesar n akan terjadi pergeseran sudut

sebesar no searah jarum jam sedangkan untuk pengurangan sebesar n akan terjadi

pergeseran sudut sebesar no berlawanan dengan arah jarum jam. Berikut pada

Gambar 3.7 merupakan contoh penggunaan toleransi hue pada proses segmentasi,

sebuah gambar beberapa lingkaran dengan nilai hue yang berbeda-beda akan tetapi memiliki nilai saturation dan value yang sama. Pada OpenCV Hue bernilai

0-179 dikarenakan data yang digunakan untuk pengolahan citra adalah 8 bit.

(a) (b)

Gambar 3.8 (a) Segmentasi dengan toleransi hue dengan rentang (-)120 – 150 (b) toleransi hue dengan rentang 30 - 360

STIKOM

[image:48.595.46.532.57.725.2]

(49)

Saturation merupakan salah satu elemen warna HSV yang mewakili tingkat intensitas warna. Pada nilai tingkat kecerahan (value) yang sama nilai

saturation akan menggambarkan kedekatan suatu warna pada warna abu-abu.

Pada sistem nilai saturasi memiliki rentang antara 0 (minimum) dan 1 atau 100%

(maksimum). Berikut pada Gambar 3.8 pengaruh nilai toleransi saturation pada proses segmentasi. Pada kasus ini akan menggunakan sebuah citra dengan

beberapa objek lingkaran yang memiliki tingkat saturation berbeda tapi memiliki nilai hue dan value sama. Berdasarkan contoh kasus tersebut dapat dilihat bahwa

nilai toleransi saturation mempengaruhi tingkat kemurnian warna yang ikut terseleksi dalam proses segmentasi. Pada OpenCV Saturation bernilai 0-255

dikarenakan data yang digunakan untuk pengolahan citra adalah 8 bit. Pada

Gambar 3.8 diberikan nilai 70 untuk saturation.

(a) (b)

Gambar 3.9 (a) Gambar asli (b) hasil tresholding dengan toleransi saturation

Dalam ruang warna HSV, untuk merepresentasikan tingkat kecerahan

warna digunakan elemen value. Pada nilai value maksimum warna yang dihasilkan adalah warna dengan tingkat kecerahan maksimum sedangkan pada

value minimum dihasilkan warna dengan tingkat kecerahan minimum (warna

hitam). Berapapun nilai hue dan saturation warna, jika nilai value yang dimiliki

STIKOM

(50)

adalah 0 (minimum) maka warna yang dihasilkan adalah warna hitam. Nilai value

maksimum adalah 1 (100%), di mana warna yang dihasilkan akan memiliki

tingkat kecerahan maksimum.

Nilai toleransi elemen value akan mempengaruhi tingkat kecerahan warna objek yang ikut terseleksi dalam proses segmentasi warna. Berikut ini

merupakan contoh kasus yang akan menunjukkan bagaimana pengaruh toleransi

elemen value terhadap hasil segmentasi. Berikut ini Gambar 3.9 terdapat beberapa objek lingkaran dengan nilai hue, saturation yang sama tetapi memiliki nilai value

yang berbeda-beda, dengan demikian terlihat pengaruh toleransi value tanpa dipengaruhi elemen warna hue dan saturation. Pada OpenCV Value bernilai 0

sampai 255 dikarenakan data yang digunakan untuk pengolahan citra adalah 8 bit.

Pada Gambar 3.9 diberikan nilai 240 untuk value.

(a) (b)

Gambar 3.9 (a) Gambar asli (b) hasil tresholding dengan toleransi value

Berikut pada persamaan 3.1 sampai dengan persamaan 3.3 adalah rumus

konversi citra dari ruang warna RGB ke ruang warna HSV secara umum (Kale,

2011):

STIKOM

(51)

……….……….….………... (3.1)

…………....…...………... .

…... .

Pada OpenCV untuk mengolah data dari ruang warna HSV, harus dengan

ukuran 8 bit per channel pada IplImage karena data RGB yang didapat dari

webcam Robotino adalah 8 bit. Oleh sebab itu diperlukan konversi sesuai dengan

yang dibutuhkan OpenCV dengan ketentuan seperti pada persamaan 3.4.

………..…………...(3.4)

Namun pada library OpenCV telah disediakan function untuk memproses konversi di atas, yaitu dengan menggunakan fungsi cvCvtColor. Function

cvCvtColor adalah fungsi yang disediakan oleh library OpenCV, yang digunakan

untuk konversi ruang warna RGB (Red Green Blue) ke HSV (Hue Saturation

Value) danberikut baris perintah yang digunakan.

cvCvtColor(Const CvArr *src, Const CvArr *src, int code)

Dengan ketentuan parameter code yang digunakan adalah CV_BGR2HSV. Berikut baris perintah yang digunakan pada aplikasi untuk

mengkonversikan ruang warna RGB ke HSV.

cvCvtColor(imgRGB,imgHSV, CV_BGR2HSV);

Citra hasil konversi akan disimpan ke dalam data citra imgHSV dan akan

digunakan lebih lanjut dalam proses color filtering.

STIKOM

(52)

3.6.2 Hough Transform Circle

Hough Transform adalah teknik transformasi citra yang dapat digunakan

untuk mengisolasi atau dengan kata lain memperoleh fitur dari sebuah citra.

Karena tujuan dari sebuah transformasi adalah mendapatkan suatu fitur yang lebih

spesifik, Classical Hough Transform merupakan teknik yang paling umum digunakan untuk mendeteksi objek yang berbentuk kurva seperti garis, lingkaran,

elips dan parabola. Keuntungan utama dari Hough Transform adalah dapat mendeteksi sebuah tepian dengan celah pada batas fitur dan secara relatif tidak

dipengaruhi oleh derau atau noise.

Hough transform circle membentuk lingkaran sepanjang tepian yang

ditemukan dengan jari-jari sebesar r. Setelah penggambaran lingkaran sepanjang

garis tepian selesai, maka dicari daerah yang paling banyak dilewati garis dan

kemudian daerah tersebut diasumsikan sebagai titik tengah citra yang dicari,

seperti pada Gambar 4 berikut.

Gambar 4 (a) Citra Input, (b) Pencarian Lingkaran dengan r= 20, dan (c) Pencarian Lingkaran dengan r= 25

STIKOM

(53)

Berikut adalah potongan program untuk Hough Transform Circles:

CvSeq* circles = cvHoughCircles(thresholded, storage,

CV_HOUGH_GRADIENT, 2, thresholded->height/4, canny, center,

min_radius, max_radius);

Dimana tresholded adalah tempat penyimpanan data gambar yang akan dideteksi ada tidaknya sebuah lingkaran, sedangkan storage berfungsi sebagai

tempat array seperti buffer untuk menyimpan data ouptut fungsi cvHoughCircles, CV_HOUGH_GRADIENT merupakan mode yang digunakan dalam pendeteksian

lingkaran.

3.6.3 Thresholding

Untuk melakukan filter terhadap warna tertentu, maka data citra dikonversikan ke dalam citra biner dengan memanfaatkan thresholding.

Thresholding adalah proses mengubah suatu citra berwarna atau berderajat

keabuan menjadi citra biner atau hitam putih, sehingga dapat diketahui daerah

mana yang termasuk objek dan background dari citra secara jelas (Gonzales dan

Woods, 2002). Citra hasil thresholding biasanya digunakan lebih lanjut untuk proses pengenalan obyek serta ekstraksi fitur. Tipe data dari hasil proses

thresholding adalah tipe data float, yaitu antara 0 sampai dengan 1. Dengan

parameter yang di set sebelumnya maka data citra yang jika melebihi batas yang

ditentukan akan dibuat menjadi 1 atau putih dan jika di bawah batas yang

ditentukan maka akan dibuat menjadi 0 atau hitam. Berikut pada persamaan 3.5

adalah rumus thresholding yang digunakan.

…………... .5

STIKOM

(54)

Pada rumus di atas nilai T min dan T max digunakan sebagai batas filter

dengan jarak maksimun dan minimum nilai threshold. Dimana setiap nilai dari parameter minimum hinggga maksimum akan di isi dengan nilai 1. Sehingga

untuk mendapatkan citra biner sesuai filter, digunakan ruang warna HSV untuk parameter filter sesuai warna yang diharapkan. Ketika nilai T min dan T max di isi dengan batas filter parameter HSV yang ditentukan, maka nilai data citra yang

berada pada luar rentangfilter tersebut akan bernilai 0, sedangkan nilai data citra

yang berada pada dalam rentangfilter tersebut akan bernilai 1.

Namun pada library OpenCV telah disediakan fungsi untuk memproses

thresholding, yaitu dengan menggunakan cvInRangeS. Dengan ruang warna HSV,

maka dapat menggunakan baris perintah berikut.

cvInRangeS(hsv, cvScalar(hsv_min, sat_min, val_min),

cvScalar(hsv_max, sat_max, val_max, 0),thresholded);

Dengan memberikan nilai batas bawah (minimum) HSV, serta nilai batas

atas (maksimum) HSV, maka nilai hasil threshold akan didapatkan sesuai rentang

tersebut. Jika diprogram secara manual menggunakan rumus thresholding, maka dapat ditulis kode program sebagai berikut.

int h , s , v;

int x;

x = 0;

if ( 105 < h < 125 )

if ( 10 < s < 20 )

if ( 79 < v < 200 )

x = 1;

else else else

STIKOM

(55)

Seperti Gambar 4.1 hasil thresholding, filter mendeteksi warna HSV di

bawah (96, 2, 254) dan HSV di atas (180, 43, 256) akan membuat citra menjadi

warna hitam atau 0. Dan sebaliknya ketika filter mendeteksi warna HSV di atas

(94, 2, 254) dan HSV di bawah (180, 43, 256) maka citra akan dibuat menjadi

putih atau 1.

Gambar 4.1 Filter Thresholding HSV

3.6.4 Smoothing

Data citra yang telah melalui proses thresholding selalu memberikan beberapa noise, oleh sebab itu dilakukan proses smoothing yang digunakan untuk

menghilangkan noise pada citra dengan menggunakan Gaussian filtering untuk mendapatkan efek blur pada citra. Melalui proses thresholding maka akan

didapatkan citra biner, namun terdapat noise yang akan menganggu dalam proses pendeteksian bentuk pada citra. Oleh sebab itu digunakan smoothing citra, yang diharapkan akan mengurangi atau menghilangkan noise.

Pada library OpenCV disediakan function untuk proses smoothing,

function cvSmooth adalah function yang disediakan oleh library OpenCV, yang

STIKOM

(56)

digunakan untuk penghalusan citra (smoothing) yang bertujuan menghilangkan

noise citra. Berikut adalah baris perintah untuk menggunakan cvSmooth.

cvSmooth( const CvArr* src, CvArr* dst int

smoothtype=CV_GAUSSIAN,int param1=3, int param2=0)

Dengan ketentuan parameter smoothtype yang digunakan adalah

CV_GAUSSIAN. Berikut baris perintah yang digunakan pada program.

cvSmooth( thresholded, thresholded, CV_GAUSSIAN, 9, 9 );

Nilai parameter 1 pada fungsi di atas merupakan lebar bukaan untuk nilai

pengali dimana nilai tersebut harus bernilai ganjil positif. Untuk parameter 2

merupakan ketinggian bukaan untuk nilai pengali dan harus bernilai ganjil positif.

Berikut rumus secara matematika dari perhitungan Gaussian.

Jika diprogram secara manual, maka penulisan code program sesuai rumus perhitungan adalah sebagai berikut.

int G[9,9];

int x=0;

int y=0;

int phi = 3,14;

int sd = 1;

G[x,y]=1/2 * phi * sd * sd * (e^((x^2 + y^2) / 2 * sd^2))

3.7 Trajectory Planing

Robotino bergerak sesuai dengan koordinat yang telah ditentukan

menggunakan metode hough transform circle, yang mencari titik tengah dari citra

api. Robot akan bergerak mengikuti koordinat tersebut kemudian ketika jarak

robot berada 20 cm di depan api maka sensor akan mengirimkan data berupa

STIKOM

(57)

tegangan keluaran yang akan diterima oleh I/O Robotino, sehingga aktuator

berupa alat pemadam api akan memadamkan api tersebut.

Gambar 4.2 flowchart trajectory planing.

Fungsi pergerakan omnidrive :

void drive(int x, int y, int z) {

omniDrive.setVelocity( x , y , z); }

Potongan program utama : Start

Pendeteksian Titik Tengah Api

Centerisasi koordinat titik tengah api

Robot bergerak mendekati api

Stop titik tengah = posisi robot false

true

Program dijalankan.

Pergerakan Robot Mendekati

api.

Robot melakukan scan dengan kamera dan mendeteksi api.

Proses centerisasi posisi robot dengan posisi titik tengah api.

Kondisi apakah robot sudah center dengan titik api.

Program dihentikan.

Jarak Robot < 30 cm false

true

Ketika jarak robot 30cm di depan api robot akan berhenti

STIKOM

(58)

if (scan==13) {

drive (0,0,30); scan=0;

cout << " //System Run " << endl; }

Potongan program utama di atas merupakan program untuk menjalankan

inisialisasi awal pada saat Robotino berputar melakukan manuver 360° mencari

lokasi api di sekitarnya. Untuk dapat berputar 360° variable vx diberi nilai 0, vy

diberi nilai 0, dan variable omega diberi nilai 30, sehingga robot akan berputar ke

kanan. Setelah Robotino mendeteksi adanya api maka robot akan bergerak

mendekati api tersebut, berikut adalah potongan program untuk menjalankan

robot mendekati api.

void grab_fire()

{

int waktu_sampling;

eror=160-x; delta_eror=eror-eror_1; array_koordinat[counter]=x; array_eror[counter]=eror; array_waktu[counter]=waktu_sampling; hasil_perhitungan=perhitungan_eror(eror,delta_eror); drive(100,0,hasil_perhitungan);

cout<< "Fire Detected & Target Locked " << endl << endl;

eror_1=eror; counter++;

}

Program di atas merupakan potongan program ketika Robotino

mendeteksi api. Metode Hough Transform Circle digunakan untuk mencari koordinat titik tengah dari citra api yang dideklarasikan dengan variabel x fungsi

koordinat titik tengah adalah untuk menjaga posisi robot tetap berada di jalur yang

STIKOM

(59)

benar, ketika posisi robot sudah benar berada di tengah maka robot akan bergerak

mendekati api dengan memanfaatkan fungsi omni-drive dengan memberi nilai pada variabel vx sebesar 100, variabel vy sebesar 0, dengan begitu robot akan

bergerak maju dengan kecepatan sebesar 100 pada sumbu x dan mendekati api,

serta kecepatan sudut atau omega sebesar nilai dari variabel hasil_perhitungan,

yang merupakan fungsi untuk menentukan sudut belok atau putar robot agar

posisi api selalu berada tegak lurus dengan robot.

3.8 Flame sensor

Flame sensor disini merupakan alat pendeteksi kedua yang digunakan

untuk mendeteksi suhu dari api, setelah pengolahan citra bekerja dan trajectory

planing dijalankan sensor akan mendeteksi keberadaan api dengan mengeluarkan

keluaran berupa tegangan antara 0.5v – 4.85v. Perbedaan tegangan keluaran

dipengaruhi oleh jarak sensor dari api, dimana pada jarak yang ditentukan yaitu

20cm maka sensor akan mengeluarkan tegangan keluaran sebesar 4.85v yang akan

masuk melalui I/O robotino dan akan berfungsi untuk menggerakan aktuator

berupa alat pemadam api.

3.9 Alat Pemadam Api

Alat pemadam api ini digunakan sebagai aktuator dari robot pemadam

api. Alat ini terbuat dari rangakaian motor DC, selang, alat penyemprot (wiper),

dan tabung air yang terbuat dari plastik. Bagian-bagian dari alat pemadam api

dapat dilihat pada Gambar 4.2

STIKOM

(60)

(a) (b)

Gambar 4.2 (a) Bagian-bagian alat pemadam api (b) water tube

Berikut adalah potongan program yang digunakan untuk aktuator pemadam api :

data1=analogInput0.value();

if (data1 > 4)

relay1.setValue (true);

else

relay1.setValue (false);

Data1 adalah sebuah variabel yang digunakan untuk menyimpan nilai

dari tegangan masukan dari sensor api, ketika nilai dari variabel data1 bernilai

lebih besar dari 4 maka keluaran dari I/O robotino yang berupa relay akan bernilai

true ini berarti switch dari relay akan terhubung dan tegangan 12v akan menggerakan motor dari alat pemadam api, sehingga alat pemadam api dapat

bekerja sesuai dengan harapan.

3.10 Metode Pengujian dan Evaluasi Sistem

Untuk mengetahui apakah aplikasi yang dibuat dapat berjalan sesuai

yang diharapkan, maka akan dilakukan pengujian dan evaluasi sistem untuk setiap

tahapan-tahapan dalam pembuatan aplikasi. Dimulai dari stream