3.1 Input Image. 3.3 Marker Detection

(1)

6 3.1 Input Image

Langkah pertama yang dilakukan adalah membuat window viewer. Viewer adalah kelas untuk membuat window yang digunakan untuk memuat hasil render dari model 3D. Proses ini merupakan proses utama karena hampir semua bagian dari aplikasi ini membutuhkan window ini untuk proses visualisasi. Langkah yang pertama adalah mengukur nilai distorsi pada lensa kam-era. ARToolKit telah menyiapkan program untuk langkah pertama ini, calib_dist.exe. Untuk proses pertama ini, kertas kalibrasi yang digu-nakan adalah pola titik-titik 6x4 yang terpisah dengan jarak 40mm. Ketika dilihat melalui lensa kamera, distorsi pada lensa kamera ini menyebabkan efek fish eye (melengkung) yang menghasilkan jarak antara titik-titik pa-da kertas tidak lagi berukuran 40mm seperti pada gambar 3.4 (a). Program ini akan mengukur jarak antar titik dan melakukan proses automat-ic line-fitting, yaitu menggambar garis merah yang melitasi setiap titik pada kertas kalibrasi (gambar 3.4 (b)). Dengan menggunakan informasi (a) (b) (c)

Gambar 3.4: (a) pola titik akibat distorsi (b) automatic line-fitting (c) man-ual line-fitting [6] yang didapat, selanjutnya program akan menghitung nilai distorsi. Setelah parameter-parameter ini didapatkan, parameter-parameter-parameter-parameter ini akan digu-nakan untuk langkah yang kedua. Semakin banyak image yang ditangkap, error yang dihasilkan untuk mengukur nilai distorsi akan semakin kecil.

Thresholding Image

Video yang diterima selanjutnya akan mengalami proses binarisasi (gray-scale), kemudian nilai threshold ditentukan sehingga mengasilkan gam-bar hitam-putih. Nilai threshold berada pada angka 0 – 255 dan secara default, threshold bernilai 100. Fungsi dari proses ini adalah untuk mem-bantu sistem agar dapat mengenali bentuk segi empat dan pola di marker pada video yang diterima. Nilai threshold dapat dirubah dan disesuaikan dengan kondisi cahaya disekitar marker untuk tetap membuat marker ter-lihat sebagai segi empat, karena ketika cahaya disekitar marker berkurang ataupun berlebih pada saat proses thresholding, sistem tidak dapat mende-teksi marker. Hal ini penting mengingat aplikasi ini bekerja dengan cara mengenali marker.

3.3 Marker Detection

Setelah video mengalami proses thresholding, langkah selanjutnya adalah mendeteksi marker, dimana sistem akan mengenali bentuk dan pola yang ada pada marker. Untuk dapat membaca posisi marker maka sistem harus dilengkapi dengan sistem trakcing. ARToolKit telah menyediakan kelas tersendiri yang disebut tracker untuk mengatasi masalah sistem trakcing ini.

3.5 Pose and Position Estimastion

Untuk menaruh objek 3D tepat diatas marker, sistem perlu mengetahui koordinat dari marker dan kamera. Kelas tracker juga perlu disesuaikan dengan video yang diterima dari kamera, hal ini dikarenakan adanya ke-salahan yang disebabkan oleh distorsi dari lensa kamera. Oleh karena itu file kalibrasi kamera juga digunakan pada langkah ini. Proses transformasi yang dilakukan terhadap model rumah adalah ro-tasi dan translasi yang terdapat pada kelas MatrixTransform. Untuk setiap marker, matrix transformasi dapat berbeda-beda tergantung pada posisi koordinatnya.

3.6 Overlay Image

Setelah masukan video diterima, sistem tracking dihubungkan pada video, marker di-load untuk setiap model yang digunakan, dan matrix trans-formasi model untuk setiap marker telah ditentukan, langkah yang ter-akhir adalah me-load model rumah dan menggambarnya diatas marker sesuai dengan posisi dan pose koordinat masing-masing model. Dengan demikian model virtual seolah-olah ada diatas marker.

Pengujian

Proses pengujian rancang bangun animasi interaksi objek 3D augmented Reality ini dilakukan dengan menggunakan komputer Notebook. Pengujian menghasilkan data khusunya tentang kecepatan sistem dalam melakukan rendering dengan mengukur fps(frame rate per second) dan kecepatan sistem dalam merespon envent interaksi berupa keyboard yang ditekan.

Proses pengujian ini meliputi pengujian model, kamera, marker, jarak dan event respon keyboard keakurasian. Berikut ini adalah Tabel 4.1

(2)

7 mnengenai spesifikasi computer notebook yang digunakan

Komponen Spesifikasi

Prosesor AMD Turion™ 64 X2, MMX, 3DNow ~1.61 GHz Memory 1.00 GB of RAM

VGA ATI Radeon 200M Express Harddisk Seagate 110 GB

Tabel. 4.1. Spesifikasi hardware untuk pengujian 4.2 Model 3D

Model 3D yang digunakan didesain dengan menggunakan perangkat lunak 3DS Max versi 9, dan Metasequioa. File format yang dipakai adalah

file format 3D SMax (*.max) dan mqo. Perubahan

dari file max ke mqo dibutuhkan perangkat lunak tam-bahan untuk membantu merubah format max menjadi format yang didukung oleh metasequioa.

Plugin digunkan untuk mengubah file format

menjadi *.mqo. Format *.mqo tidak dapat mengandung texture, sehinga untuk model-model yang memiliki texture harus diubah dengan melakukan mapping dengan memeberikan texture dan material yang digunakan. Keuntungan dari model mqo tidak memerlukan proses skleton dan rigging sehingga merupakan file format yang memiliki ukuran file yang relatif kecil. Untuk itu metasequioa telah menyediakan utility yang disebut

mqoConverter.

Gambar 4.1 memberikan informasi tentang model 3D yang diuji

Pergerakan dari model 3D yang akan ditampilkan berupa rangkaian sequence dengan memberikan pola index diatur dalam kode program. Sebelum model 3D dilakukan pengolah di program metasequioa model dikonversi, besar file model sebelum dan sesudah dikonversi, juga ditunjukkan hasil keberhasilan ketika model dijalankan pada aplikasi animasi interaksi AR. Dari satu model 3D yang didesain menggunakan 3SMax, hanya satu model yang dihasilkan dari export setelah digunakan model posenya. dapat ditampilkan sempurna seperti desainnya. Juga terdapat dua

model lain yang digunakan yaitu model karakter 3D dengan kendali pegerakan dan model 3D berupa lingkungan untuk jebakan.

Gambar 4.2 memberikan informasi tentang model 3D dengan interaksi yang diuji

Tabel gambar 4.1. dan 4.2. memberikan gambaran beberapa dari bentuk karakter 3D yang digunakan dalam membentuk interaksi animasi 3D.

Nama Model Ukuran

Amir Spesifikasi Fisik Object 3D ukuran file 649 MQO file Verteices = 67.856 Faces = 77.364 Lines = 181.637 Triangles 5245 Rectangles : 10250

Spesifikasi Material Object 3D 1. Materials : 38

2. Used materials : 13

3. Map teksture: batik.bmp 169 KB dimension 1025 x 1024 3. Rebo Spesifikasi Fisik Object 3D

ukuran file 436 MQO file Verteices = 3534 Faces = 3706 Lines = 0 Triangles : 554 Rectangles : 3152

Spesifikasi Material Object 3D 1. Materials : 7

2. Used materials : 6 3. material color R G B

Tabel 4.1. Spesifikasi karakter model 3D 4.2 Marker

Visi komputer berbasis trackingsystem sangat memungkinkan untuk mem-buat begitu banyak aplikasi, tetapi ada keterbatasan yang mempenga-ruhi ARToolKit dan sistem visi yang lainnya.

Mkpatt menggunakan pola hasil kalibrasi calibdist yang disimpan di file param.dat. Prosesnya adalah dengan memanggil file mkpatt dan menentukan marker untuk dikenali oleh kamera dengan memperhatikan pola batasan hitam sebagai pembatas pola marker. Pola marker diarahkan pada posisi kamera dan akan dihasilkan batasan garis berwarna merah dan hijau yang menandakan bahwa marker telah dikenali. Selanjutnya lkakukan rotasi untuk menentukan posisi marker agar pada posisi pojok kanan atas bewarna merah. Perhatikan pada gmabar 4.3. dibawah ini :

(3)

8 Gambar 4.3. Posisi pengenalan pola marker Apabila posisi pola telah benar langkah selanjutnya adalah klik kiri pada posisi pengambilan gambar dari kamera dan buat nama file untuk id dari pattern yang ada. Langkah tersebut diulangi untuk memberika id pada pola marker berikutnya.

Seperti dijelaskan pada skenario sistem, marker yang digunakan sebanyak dua untuk menampilkan masing-masing satu objek 3D. Setelah gambar pola dibuat, kemudian pola dicetak pada selembar kertas dan lebih baik jika dilekatkan pada permukaan yang keras agar marker menjadi solid. Adapun marker yang digunakan seperti tertera pada gambar 4.3. di

bawah ini.

ART

AR

_AR

AR

Gambar 4.3. model marker

Marker yang dibuat ini kemudian diuji pada ARToolKit untuk dikenali sebagai sebuah pattern yang nantinya akan menampilkan objek.

4.3 Jarak

Jarak juga menjadi masalah dalam pelacakan optik, ketika marker berg-erak menjauhi kamera, mereka menempati lebih sedikit pixel pada layar kamera, dan mungkin tidak cukup detail untuk dapat dengan benar mengi-dentifikasi pola pada marker.

4.4 Kamera

Proses pengujian aplikasi inetraksi animasi AR ini menggunakan webcam. Faktor kamera (distorsi pada lensa, resolusi video, frame rate) juga menentukan keluaran yang di-hasilkan oleh aplikasi ini. Hasil keluaran yang baik pada ketiga kamera yaitu ketika konfigurasi yang digunakan adalah resolusi video 320x240 dengan frame rate 30fps. Jarak terpendek antar marker dengan kamera juga didapat dengan menggunakan resolusi dan frame

rate tersebut. Semakin tinggi resolusi video yang

digunakan, jarak terpendek antar mark-er dengan kamera semakin bertambah jauh. Kesalahan perhitungan jarak dari marker ke kamera disebabkan oleh faktor distorsi lensa. Tetapi ke-salahan ini sudah diperkecil dengan adanya

kalibrasi kamera oleh sistem untuk memasukkan

file kalibrasi kedalam proses perhitungan

transformasi pada model. 4.5 Cahaya

Faktor cahaya yang dapat ditangkap oleh lensa kamera juga berperan penting karena aplikasi ini menggukan metode threshold untuk sistem

trakcing-nya. Walaupun demikian, nilai threshold

dapat diatur sehing-ga untuk ruangan yang kekurangan cahaya, sistem tetap dapat mendeteksi

marker dengan baik. Ketika cahaya cukup apabila

nilai threshold adalah 100, ARToolKit dap-at mendeteksi marker. Tetapi ketika marker

dipindahkan ketempat yang lebih gelap, ARToolKit tidak dapat mengenali marker apabila nilai

thresh-old tetap 100. Sehingga nilai threshthresh-old harus

diturunkan secara manual menjadi 70 agar marker bisa dikenali.

4.6 Keakurasian Jarak

Banyak faktor yang menjadi penyebab kurangnya keakurasian dalam per-hitungan jarak maupun posisi koordinat antara marker dan kamera. Hal ini dapat dipengaruhi oleh faktor distorsi lensa, atau juga dapat dipen-garuhi oleh kurang tepatnya nilai parameter-parameter ketika proses kali-brasi kamera. Dengan membandingkan nilai jarak dan menghitung selisih antara jarak sebenarnya (diukur menggunakan alat ukur) dengan jarak yang dihitung oleh ARToolKit, ini berarti ada kesalahan perhitungan jarak oleh ARToolKit yang menyebabkan tidak akuratnya penempatan model terhadap marker

Pengujian terhadap sistem yang telah dikembangkan dilakukan dengan membandingkan data percobaan yang digunakan adalah model 3D . Model 3D dibangun dengan software metasequio untuk memudahkan membuat rendering objek. Parameter yang digunakan untuk mengukur hasil sebagai masukan dari sistem adalah paramaeter kendali keyboard dan jarak relasi. Proses yang dilakukan dalam pengujian sistem meliputi tahap sebagai berikut :

1. melakukan pengujian terhadap uji keberhasilan sistem melakukan rendering data image 3D dengan menggunakan metode pengukuran jarak, dalam hal ini dilakukan pengujian data image dengan heightmap resolusi texture bmp.

2. pengujian pada data image 3D baru yang dikonversi dari data 3DMax untuk spesifikasi pengujian sistem menggunakan metasequioa, pengujian terhadap uji keberhasilan sistem melakukan rendering data image bmp dengan resolusi yang berbeda.

(4)

9 Tahapan pengujian seluruhnya dilakukan dengan menggunakan sepsifikasi perangkat keras sesuai yang dijelaskan pada bagian 4.1. Kondisi dan data pegujian diperlakukan secara sama dengan perhitungan pengambilan data merupakan hasil perbandingan parameter untuk menentukan akurasi data berupa pengukuran kecepatan frame per second (fps) dengan banyaknya model 3D yang dibangun dalam proses real time rendering. Beberapa parameter system yang digunakan tersebut dapat dilihat pada tabel 4.2.

Tabel 4.2. Tabel parameter ukur untuk pengujian data sistem

No Parameter Keterangan

1 Panah kanan Koordinat perubahan sumbu x pada parameter kamera 2 Panah kiri Koordinat perubahan sumbu x

pada parameter kamera 3 Panah atas perubahan sumbu y pada

parameter kamera 4 Panah

bawah

perubahan sumbu y pada parameter kamera 5 Tombol c Rotasi sumbu x,y model

karakter

Data yang diambil dan dianalisa pengruh perubahan performa sistem terhadap perubahan jarak gerakan karakter 3D. Parameter x akan dibuat tetap sedangkan parameter y akan bernilai gerak maju mundur dengan kenaikan sebesar 10 pixel untuk setiap pengambilan data.

4.3. Pengujian pertama

Pengujian ini dilakukan untuk memeriksa kinerja sistem dalam melakukan rendering untuk

image texture dengan ukuran tipe bmp. Uji yang

dilakukan terhadap data sampling yaitu karakter 3D

Rebo. Image ini berasal dari data 3D Max yang

dikonversi menggunakan aplikasi Metasequio Data

image yang digunakan dapat dilihat pada gambar

berikut ini :

(a)image rebo

Gambar 4.4. image rebo

Berdasarkan gambar 4.4. merupakan data citra 3 dimensi dengan bagian dari setiap warna dari tingkatan grayscale image heightmap menandakan area yang memiliki informasi data ketinggian. Data

gambar 4.4. pada tahap ini diujicobakan pada sistem. Hasil dari penampilan proses penggambaran dapat dilihat pada cuplikan dari proses rendering yang dihasilkan seperti pada gambar 4.2.

Proses pengujian dilakukan dengan pengamatan secara real time terhadap pengaruh parameter yang diujikan untuk mengamati perubahan nilai fps yang digambar. Pengamatan dilakukan dengan melakukan perubahan nilai parameter untuk

pergerakan, dan resolusi yang dilakukan

resolusinya adalah 640x480

Sistem AR dalam penelitian ini menggunakan nilai kamera parameter dengan ukuran sebagai berikut:

1. Size 640, 480 2. Distortion factor = 318.500000 263.500000 26.200000 1.012757 700.95147 0.00000 316.50000 0.00000 0.00000 726.09418 241.50000 0.00000 0.00000 0.00000 1.00000 0.00000

Berdasarkan data diatas maka dapat diperhatikan bahwa dimensi untuk media marker adalah 640 x 480. Faktor distorsi dari hasil pengukuran kalibrasi

didapat untuk posisi x,y,z adalah 318.500000 263.500000 26.200000. Data ini digunakan untuk

melakukan pengujian terhadap model 3D yang pertama yaitu Rebo. i 3D Rebo

Pengujian dilakukan dengan menggunakan pola marker yang telah ditentukan dan diambil dengan pembandingan posisi diam dan bergerak dengan skala waktu pengamatan 10 detik dimulai dari 10 detik pertama sampai dengan 230 detik. Model diam berarti tidak terdapat animasi atau interaksi dengan media keyboard tetapi hanya dilakukan proses pemutaran posisi marker dengan pergerakan sudut lebih kurang 20 derajat untuk setiap 10 detiknya. Hasil dari pengmatan dan pengukuran didapatkan hasil sebagai berikut :

Grafik Uji FPS Objek 3D Amir diam dan Gerak

13 13.5 14 14.5 15 15.5 16 10 30 50 70 90 ₁₁0 ₁₃0 ₁₅0 ₁₇0 ₁₉0 ₂₁0 ₂₃0

Satuan waktu pengamatan/sec

F

P

S

Posisi Model diam Posisi model gerak

(5)

10 4.4. Pengujian kedua

amir. Image ini berasal dari data 3D Max yang

dikonversi menggunakan aplikasi Metasequio Data

image yang digunakan dapat dilihat pada gambar

berikut ini :

(b) image amir

Gambar 4.7. image amir

Berdasarkan gambar 4.7. merupakan data citra 3 dimensi dengan bagian dari setiap warna dari tingkatan grayscale image heightmap menandakan area yang memiliki informasi data ketinggian. Data gambar 4.7. pada tahap ini diujicobakan pada sistem. Hasil dari penampilan proses penggambaran dapat dilihat pada cuplikan dari proses rendering yang dihasilkan seperti pada gambar 4.7.

Sistem AR dalam penelitian ini menggunakan nilai kamera parameter dengan ukuran sebagai berikut: Size 640, 480 Distortion factor = 318.500000 263.500000 26.200000 1.012757 700.95147 0.00000 316.50000 0.00000 0.00000 726.09418 241.50000 0.00000 0.00000 0.00000 1.00000 0.0000

Berdasarkan data diatas maka dapat diperhatikan bahwa dimensi untuk media marker adalah 640 x 480. Faktor distorsi dari hasil pengukuran kalibrasi didapat untuk posisi x,y,z adalah 318.500000 263.500000 26.200000. Data ini digunakan untuk melakukan pengujian terhadap model 3D yang pertama yaitu Rebo. amatan FPS object 3D Amir Pengamatan tersebut menunjukkan perubahan nilai fps yang menjadi pengaruh terhadap hasil rendering yang dilakukan oleh kamera secara realtime. Terdapat trend pola yang hampir teratur dengan

kecendurangn nilai yang semakin naik. Hal ini menandakan bahwa gambar yang telah dirender sebelumnya menjadi lebih ringan untuk dirender dengan bagian gambar berikutnya karena telah tersimpan dalam buffer render memori yang terdapat dalam GPU VGA yang digunakan. Pengmatan dari data table diatas dapat digunakan untuk menganalisa trend perubahan pola fps dengan menggunakan bentuk grafik sebagai berikut :

Grafik Uji FPS Object 3D Rebo Diam dan Gerak

13 13.5 14 14.5 15 15.516 16.5 17 10 30 50 70 90 ₁₁0 ₁₃0 ₁₅0 ₁₇0 ₁₉0 ₂₁0 ₂₃0 Satuan waktu Pengamatan/sec

P e n g u k u ra n F P S

Gambar 4.9. Grafik FPS objek 3D diam dan gerak 4.6. Pengujian ketiga

amir dan rebo . Image ini berasal dari data 3D Max

yang dikonversi menggunakan aplikasi Metasequio Data image yang digunakan dapat dilihat pada gambar berikut ini :

(c)image amir

Gambar 4.8. image amir

Berdasarkan gambar 4.7. merupakan data citra 3 dimensi dengan bagian dari setiap warna dari tingkatan grayscale image heightmap menandakan area yang memiliki informasi data ketinggian. Data gambar 4.7. pada tahap ini diujicobakan pada sistem. Hasil dari penampilan proses penggambaran dapat dilihat pada cuplikan dari proses rendering yang dihasilkan seperti pada gambar 4.7.

(6)

11

Sistem AR dalam penelitian ini menggunakan nilai kamera parameter dengan ukuran sebagai berikut: Size 640, 480 Distortion factor = 318.500000 263.500000 26.200000 1.012757 700.95147 0.00000 316.50000 0.00000 0.00000 726.09418 241.50000 0.00000 0.00000 0.00000 1.00000 0.00000

Berdasarkan data diatas maka dapat diperhatikan bahwa dimensi untuk media marker adalah 640 x 480. Faktor distorsi dari hasil pengukuran kalibrasi didapat untuk posisi x,y,z adalah 318.500000 263.500000 26.200000. Data ini digunakan untuk melakukan pengujian terhadap model 3D yang pertama yaitu Rebo. Pengamatan FPS object 3D Amir Gambar 4.9. Grafik FPS objek 3D diam dan gerak

Grafik Uji FPS Object 3D Gabungan Diam dan Gerak

0 2 4 6 8 10 12 14 10 30 50 70 90 ₁₁0 ₁₃₀ ₁₅₀ ₁₇₀ ₁₉₀ ₂₁0 ₂₃0 Satuan waktu Pengamatan/sec

P e n g u k u ra n F P S

Pengamatan tersebut menunjukkan perubahan nilai fps yang menjadi pengaruh terhadap hasil rendering yang dilakukan oleh kamera secara realtime. Terdapat trend pola yang hampir teratur dengan kecendurangn nilai yang semakin naik. Hal ini menandakan bahwa gambar yang telah dirender sebelumnya menjadi lebih ringan untuk dirender dengan bagian gambar berikutnya karena telah tersimpan dalam buffer render memori yang terdapat dalam GPU VGA yang digunakan. Pengmatan dari data table diatas dapat digunakan untuk menganalisa trend perubahan pola fps dengan menggunakan bentuk grafik sebagai berikut : 5.1 Kesimpulan

Setelah melakukan tahapan implementasi dan pengujian sistem, maka diperoleh beberapa kesimpulan, antara lain:

1. Agar aplikasi ini dapat menampilkan model yang detil dan disertai animasi dengan

sangat baik, metasequiao adalah pilihan yang tepat.

2. Walaupun dengan menggunakan kamera yang berbeda, aplikasi AR ini akan berjalan baik apabila menggunakan resolusi keluaran 640x480 dengan frame rate rata-rata 14-15 fps.

3. Jarak terjauh antara marker dengan kamera akan berkurang 20 cm ketika menggunakan marker dengan pola yang kompleks. Untuk menghindari kesalahan yang ditimbulkan oleh marker, sebaiknya marker yang digunakan adalah marker dengan pola asimetris kare-na dapat membantu proses marker detection.

5.2 Saran

1. Untuk pengembangan selanjutnya, diharapkan dapat menggunakan track-ing library yang berbeda seperti

ARToolKitPlus atau ARTag yang memili-ki tracmemili-king system yang lebih baik. Perangkat keras yang digunakan tidak lagi webcam tetapi HMD (Head-Mounted-Display) agar didalam penggu-naannya, para pengunjung lebih nyaman dalam berinteraksi.

2. Implementasi detail texture dapat menggunakan motif texture yang lebih realistik untuk memperindah hasil penggambaran.

Kepustakaan

Kofler, M. (1998). R-trees for Visualizing and

Organizing Large 3D GIS Data bases.

Technischen Universität Graz: Ph.D. Thesis.

Pajarola, R. (1998). Access to Large Scale Terrain

and Image Databases in

Geoinformation Systems. Swiss Federal Institute of Technology (ETH) Zurich: Ph.D. Thesis.