Fakultas Ilmu Komputer
Universitas Brawijaya 9842
Deteksi Objek Penghalang secara Real Time berbasis Aplikasi Mobile dengan Metode Gray Level Co-Occurrence Matrix dan K-Nearest Neighbor
bagi Penyandang Tunanetra
Rizky Haris Risaldi1, Fitri Utaminingrum2
Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1[email protected], 2[email protected]
Abstrak
Tunanetra memiliki suatu kondisi indra penglihatannya tidak berfungsi sebagaimana mestinya. Kondisi tersebut menyebabkan tunanetra mengalami kesulitan dalam melakukan mobilitas. Solusi untuk kondisi tersebut adalah dengan menggunakan tongkat. Dengan pesatnya perkembangan teknologi, diperlukan solusi yang lebih efektif dan efisien. Penggunaan perangkat mobile dapat menjadi solusi baru untuk masalah tersebut dikrenakan perangkat mobile mampu melakukan banyak proses. Sistem dibangun dengan menggunakan kamera dari perangkat mobile sebagai pengganti dari indra penglihatan. Hasil tangkapan dari kamera kemudian diekstrak fiturnya menggunakan GLCM (Gray Level Co-Occuence Matrix). Setelah fitur didapat, dilakukan proses klasifikasi menggunakan KNN (K-Nearest Neighbour).
Klasifikasi digunakan untuk menentukan fitur tersebut adalah lantai atau halangan. Jika hasil klasifikasi adalah halangan, maka proses selanjutnya adalah menyalakan buzzer sebagai tanda ke pengguna bahwa telah terdeteksi halangan. Sistem ini mempunyai akurasi deteksi yang baik jika menggunakan ROI kecil (120x213 piksel) sebesar 90% dibandingkan dengan ROI (360x640 piksel) sebesar 60%. Secara real time sistem ini mempunyai akurasi deteksi halangan sebesar 100% untuk objek lantai putih, 82% untuk halangan dengan objek pintu kayu, 93% untuk halangan bewarna putih dan 93% jika dilkukan deteksi pada 2 objek berbeda dalam 1 video. Intergrasi hardware dan software pada sistem ini mempunyai nilai akurasi sebesar 88.8%. Untuk waktu komputasi sistem ini memiliki nilai rata-rata 248.8 ms, nilai minimum 183 ms dan nilai maksimum 582 ms.
Kata kunci: tunanetra, deteksi, halangan, perangkat mobile, Gray Level Co-Occuence Matrix, K-Nearest Neighbour.
Abstract
Blind people have a condition that their sense of sight is not functioning properly. The condition causes the blind have difficulties in mobility. Solution for these conditions is use a stick. Mobile devices can be a new solution for this problem because mobile devices are capable of many processes. This system was built using a camera from a mobile device as a substitute for the sense of sight. The results of the camera are then extracted features using the GLCM (Gray Level Co-Occurence Matrix). Once the feature is obtained, the classification is done by algorithms KNN (K-Nearest Neighbor). The classification used to determine these features is the floor or obstruction. If the result of the classification is an obstacle, the next process is to turn on the buzzer as a sign to the user that a obstacle has been detected. . This system has good detection accuracy when using a small ROI (120x213 pixels) of 90% compared to ROI (360x640 pixels) of 60%. In real time the system has a 100% accuracy in obstacle detection for white floor objects, 82% for obstacles with wooden door objects, 93% for white obstacles and 93% if detection is done on 2 different objects in 1 video. Integration of hardware and software on this system has an accuracy value of 88.8%. For computing time this system has an average value of 248.8 ms, a minimum value of 183 ms and a maximum value of 582 ms.
Keywords: blind, detection, obstacle, mobile devices, Gray Level Co-Occurrence Matrix, K-Nearest Neighbor.
1. PENDAHULUAN
Tunanetra adalah perpaduan kata dari tuna dan netra. Arti “tuna” sendiri adalah rusak atau cacat sedangkan “netra” memiliki arti penglihatan (Badan Pengembangan dan Pembinaan Bahasa, 2016). Tunanetra diklasifikasikan dalam dua jenis yaitu low vision dan tunanetra total (Jefriansyah, 2016). Low vision tunanetra adalah mempunyai kemampuan penglihatan yang masih berfungsi tetapi terbatas.
Low vision tunanetra memiliki maksimal batas jarak pandang sejauh 30 meter. Untuk jenis tunanetra total adalah jenis tunanetra yang indra penglihatannya benar-benar tidak berfungsi.
Dikarenakan keterbatasan dalam fungsi pengelihatan maka ada beberapa kegiatan yang tidak dapat dilakukan secara maksimal. Salah satu fungsi pokok tersebut adalah mobilitas.
Tunanetra sangat sulit dalam melakukan mobilisasi dikarenakan tidak dapat melihat objek atau penghalang sehingga mereka menggunakan tongkat sebagai salah satu cara dalam mengenali medan dan objek ketika melakukan proses mobilisasi (Atmojo, 2016)
Oleh karena ada beberapa teknologi yang dapat dimanfaatkan sebagai alat bantu lain untuk tunanetra dalam melakukan fungsi mobilitas.
Salah satunya adalah menggunakan teknologi computer vision. Computer vision adalah suatu otomatisasi yang sejumlah besar mengakuisisi presepsi visual, seperti pengolaan citra, akuisisi citra, pengenalan dan pembuatan keputusan (Wijaya & Prayudi, 2010).
Perangkat mobile merupakan salah satu teknologi yang dapat melakukan pemrosesan dan pada saat ini perangkat mobile sangat mudah didapat. Perangkat mobile memiliki kemampuan pemrosesan yang tinggi dan mudah dibawa kemanapun.
Sistem ini dibangun dengan memanfaatkan penggunaan computer vision dan perangkat mobile. Sistem melakukan proses deteksi objek atau penghalang. Objek atau penghalang yang telah dideteksi akan diproses dan menghasilkan peringatan berupa suara kepada pengguna.
Setelah itu perangkat akan disambungkan dengan earphone / headphone untuk mendapatkan output buzzer sebagai tanda terdapat halangan.
Proses pertama yang dilakukan dalam memproses visual yang tertangkap oleh kamera dengan cara menentukan area yang diproses.
Area yang ditentukan tersebut kemudian
diektrak texture nya menggunakan metode GLCM (Gray Level Co-Occurene Matrix).
Kemudian fitur yang didapat pada tekstur diklasifikasikan sebagai halangan atau lantai menggunakan algoritma KNN (K-Nearest Neighbor).
2. PERANCANGAN DAN IMPLEMENTASI 2.2. Perancangan Sistem
Gambar 1 Diagram alir Proses Sistem Perancangan pada sistem ini sistem dibagi menjadi 2 perancangan, yaitu perancangan perangkat keras dan perancangan perangkat lunak. Perancangan perangkat keras digunakan untuk menentukan bagaimana perangkat keras mengerjakan proses pada sistem ini. Sedangkan perancangan perangkat lunak digunakan untuk menentukan proses dari sistem ini. Gambaran umum untuk sistem ini dimulai dengan permintaan izin akses terlebih dahulu.
Kemudian dilakukan inisialisasi variabel dari fitur yang diperoleh dari data latih. Setelah itu dilakukan pengambilan gambar secara real time.
Hasil daari gambar tersebut dilakukan pernggambaran ROI ukuran 360x640 piksel.
ROI digunakan sebagai penanda area yang akan diproses oleh sistem. Setelah itu gambar yang ada di area ROI dipotong dan dibagi menjadi 9 ROI kecil berukuran 120x213 piksel. Gambar yang ada diarea ROI kecil diekstrak fitunya menggunakan GLCM. Hasil ekstrak kemudian
Fakultas Ilmu Komputer, Universitas Brawijaya
diklasifikasi oleh KNN untuk menentukan halangan atau lantai. Ketika hasil klasifikasi didapat, sistem akan menyalakan buzzer jika terdeteksi halangan. Untuk detail diagram alir dapat dilihat pada Gambar 1.
Gambar 2 Diagram Blok Perancangan Perangkat Keras
2.2.1 Perancangan Perangkat Keras
Perancangan perangkat keras dalam sisem ini dimulai dengan proses input yang dilakukan oleh kamera. Setelah itu hasil input akan dilakukan proses ekstrasi fitur menggunakan GLCM dan klasifikasi untuk menentukan halangan atau lantai dengan KNN.
Proses tersebut dikerjakan oleh RAM dan Prosesor. Hasil dari proses tersebut akan mengeluarkan output buzzer jika terdeteksi halangan. Diagram blok perancangan perangkat keras dapat dilihat ada Gambar 2.
2.2.2 Perancangan Perangkat Lunak
Pemintaan izin akses dimulai ketika sistem pertama kali dijalankan. Sistem akan mengecek apakah izin penggunaan kamera sudah diberikan. Jika belum diberikan maka akan keluar dialog yang meminta izin akses ke pengguna. Selain itu akan ada voice over yang memberi info kepada pengguna untuk meminta tolong orang lain dalam memberikan izin akses.
Setelah akses diberikan sistem akan mulai menggambar ROI ditampilan layar pengguna. Penggambaran ROI dilakukan dengan cara menentukan titik koordinat yang digunakan sebagai garis batas area ROI. Ilustrasi untuk penggambaran ROI ada pada Gambar 3.
Area dengan baris biru adalah pembagian tinggi dibagi 3 sedangkan area biru adalah pembagian lebar dibagi 3 untuk menentukan titik x1, x2, y1, dan y2.
Area yang telah dibatasi oleh ROI dilakukan proses cropping image. Proses tersebut berfungsi agar sistem anya melakukan proses di area yang telah dibatasi oleh ROI.
Ukuran gambar di dalam ROI adalah 360x640 piksel. Hasil dari cropping image dilakukan proses cropping image lagi untuk membagi ROI menjadi 9 area kecil berukuran 120x213 piksel.
Gambar 3 Ilustrasi Mengambar ROI Setelah dilakukan proses cropping image. Hasil dari proses tersebut dilakukan proses ekstrasi fitur menggunakan GLCM.
Gambar yang didapat dari kamera adalah gambar RGB yang kemudian dikonversi menjadi grayscale. Kemudian dibentuk matrik dari gambar tersebut. Matrik yang telah dibuat dibentuk menjadi matrik GLCM dengan input d
= 0 dan ∅ = 0°. Matrik GLCM yang telah dihitung diubah menjadi matrik simetris dan dinormalisasi. Setelah itu dilakukan ekstrasi fitur untuk mendapatkan nilai asm persamaan (1), con persamaan (2), cor persamaan (3), idm persamaan (4) dan ent persamaan (5) (Albregtsen, 2008).
𝐴𝑆𝑀 = ∑𝐺−1𝑖=0 ∑𝐺−1𝑗=0{𝑃(𝑖, 𝑗)}2 (1)
𝐶𝑂𝑁 = ∑ 𝑛2{∑ ∑ 𝑃(𝑖, 𝑗)
𝐺
𝑗=1 𝐺
𝑖=𝑗
} , |𝑖 − 𝑗| = 𝑛
𝐺−1
𝑁=0
(2)
𝐶𝑂𝑅 = ∑ ∑ {𝑖×𝑗}×log (𝑃(𝑖,𝑗) 𝜎𝑥×𝜎𝑦 𝐺−1𝑗=0
𝐺−1𝑖=0 (3)
𝐼𝐷𝑀 = ∑ ∑ 1
1 + (𝑖 − 𝑗)2𝑃(𝑖, 𝑗)
𝐺−1
𝑗=0 𝐺−1
𝑖=0
(4)
𝐸𝑁𝑇 = − ∑ ∑{𝑖 × 𝑗} × 𝑃(𝑖, 𝑗) × {𝜇𝑥× 𝜇𝑦} 𝜎𝑥× 𝜎𝑦
𝐺−1
𝑗=0 𝐺−1
𝑖=0
(5)
Hasil dari ekstrak fitur dari gambar kemudian diklasifikasi menggunakan KNN untuk menentukan halangan atau lantai. Fitur dari gambar dihitung nilai Euclidian Distance dari masing masig data latih. Hasil perhitungan terkecil akan ditentukan menjadi hasil klasifikasi. Perhitungan nilai Euclidian Distance dilakukan dengan menggunakan persamaan (6).
𝑑 = √(𝑥1− 𝑥2)2+ (𝑦1− 𝑦2)2. . (𝑛1− 𝑛2)2 (6)
2.3. Implementasi Sistem
Tahap implementasi sistem dituliskan menggunakan Bahasa pemrograman JAVA dan dituliskan di IDE Android Studio.
Sistem ini dimulai dengan pemintaan izin akses kamera kepada pengguna. Ketika meminta izin akses ke pengguna, akan muncul dialog berisi tombol izinkan dan tolak. Selain memunculkan dialog, sistem akan mengeluarkan suara yang berisi perintah untuk meminta bantuan orang lain ketika memberikan izin.
Tampilan permintaan izin ada pada gambar 4.
Gambar 4 Tampilan permintaan izin akses kamera Kemudian dilkukan inisialisasi nilai variable dari data latih. Variabel data latih digunakan oleh algoitma KNN untuk mengklasifikasi halangan. data latih yang telah ditentukan dapat dilihat pada Tabel 1.
Tabel 1. Data latih
[asm] [con] [cor] [idm] [ent]
0.0452 214.4174 8
31071.7862 8
0.4216 3
3.338 0.1029
1
222.1703 1
17694.7560 1
0.4841 7
2.5168 5 0.1329
4
61.80678 42748.4864 2
0.5008 5
2.2357 3 0.0937
1
73.94286 50094.2786 3
0.4689 6
2.7216 5 0.0682
8
103.9417 6
47040.5441 3
0.4435 4
2.9493 8 0.0816
4
173.6872 27287.8461 1
0.4597 4
2.7308 5 0.0567
9
177.5988 6
33096.3988 2
0.4273 8
3.0865 8 0.0259
7
125.0337 3
92339.4006 0.2330 8
4.1892 3 0.0684
1
124.7008 6
42816.8173 3
0.4525 3.0286 7 0.0481
1
117.7589 3
52640.6671 4
0.3960 6
3.366 0.1909
9
2.47647 71510.5575 4
0.6405 9
1.9803 9 0.1192
9
39.19509 54861.8454 2
0.4744 3
2.6403 7 0.0569
2
22.94503 99174.5010 7
0.4211 1
3.2123 6 0.0823
7
83.31453 49036.4421 8
0.4545 8
2.8297 1
Setelah itu dilakukan proses menggambar ROI untuk membatasi area proses. ROI digambar berukuran 360x640. Penggabaran ROI dimulai dengan menentukan titik x1, titik x2, titik x3, titik x4. Titik x1 ditentukan dengan persamaan (7). Titik x2 ditentukan dengan persamaan (8). Titik x3 ditentukan dengan persamaan (9). Titik x4 ditentukan dengan persamaan (10).
𝑇𝑖𝑡𝑖𝑘𝑥1 =𝑇𝑖𝑛𝑔𝑔𝑖 𝐺𝑎𝑚𝑏𝑎𝑟
3 (7)
𝑇𝑖𝑡𝑖𝑘𝑥2 = 𝑇𝑖𝑡𝑖𝑘𝑥2 × 2 (8)
𝑇𝑖𝑡𝑖𝑘𝑦1 = 𝑙𝑒𝑏𝑎𝑟𝐺𝑎𝑚𝑏𝑎𝑟 (9)
𝑇𝑖𝑡𝑖𝑘𝑦2 =𝑙𝑒𝑏𝑎𝑟𝐺𝑎𝑚𝑏𝑎𝑟
3 × 2 (10)
Setelah ditemukan titik koordinatnya, dilakukan penggambaran garis kiri, garis kanan dan garis atas. Detail hasil penggambaran ROI ada pada Gambar 4.
Setelah itu dilakukan cropping image untuk mengambil area yang ada didalam ROI. Setelah dilakukan cropping image pada area ROI, hasil area tersebut dibagi menjadi 9 area dengan masing masing ukuran 120x213 piksel.
Hasil dari cropping image menjadi 9 area kecil. Setiap area dilakukan ekstraksi fitur menggunakan GLCM. Hasl dari ekstatraksi akan diklasifikasikan oleh KNN. Hasil proses tersebut akan menampilkan hasil deteksi dan menyalakan buzzer jika terdeteksi halangan. selain itu informasi hasil keluaran ditampilkan kepada user untuk mengetahui hasil deteksi adalah halangan seperti pada Gambar 5 dan hasil deteksi adalah lantai seperti pada Gambar 6.
Gambar 5 Hasil gambar ROI
Fakultas Ilmu Komputer, Universitas Brawijaya Gambar 6 Hasil deteksi gambar 3. PENGUJIAN DAN ANALISIS
Ada 4 pengujian yang diujikan pada sistem ini yaitu pengujian ROI untuk membandingkan akurasi pada ROI ukuran 360x640 dengan ROI yang dibagi 9 area kecil dengan masing masing ukuran 120x213 piksel. Pengujian kedua adalah pengujian yang dilakukan untuk mengetahui akurasi deteksi secara real time. Pengujian ketiga adalah pengujian yang dilakukan untuk mengetahui intergrasi hardware dan software.
Pengujian terakhir adalah untuk menguji waktu komputasi sistem ini.
3.1 Pengujian Perbandingan Akurasi Deteksi Pengujian dilakukan dengan cara memilih gambar sampel yang telah disediakan sebelumnya. Dalam pengujian ini menggunakan 10 gambar yang terdiri dari gambar halangan dan gambar lantai. Gambar tersebut mempunyai ukuran 360x640 sesuai dengan ukuran ROI besar. Gambar tersebut diberi label untuk membedakan gambar halangan atau gambar lantai. Pengujian pertama dilakukan dengan cara memilih gambar yang diuji, kemudian diekstrak dan diklasifikasi. Hasil dari klasifikasi akan dibandingkan dengan label (kondisi aktual). Jika hasil klasifikasi dan label sama maka hasil akurasi adalah benar. Jika hasil klasifikasi dan label berbeda maka hasil akurasi adalah salah. Pengujian akurasi deteksi ini dilakukan dua kali dengan skenario yang sama dan sampel yang sama pada objek didalam ROI berukuran (360x640) dan objek didalam ROI yang dibagi menjadi 9 area degan ukuran (120x213) per area.
Pengujian ini digunakan untuk mengetahui perbandingan akurasi ROI berukuran (360x640) dan 9 area ROI ukuran (120x213).
Hasil pengujian pada Tabel 2 adalah pengujian yang dilakukan pada ROI ukuran (360x640) dan menunjukkan bahwa 6 gambar terdeteksi benar dan 4 gambar terdeteksi salah.
Maka akurasi (dalam persen) untuk pengujian ROI (360x640) ada pada persamaan (11).
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 6
10× 100 = 60% (11)
Kemudian dilakukan pengujian untuk ROI kecil. ROI besar ukuran (360x640) dibagi menjadi 9 area dengan ukuran masing masing 120x213 piksel. Gambar yang digunakan untuk pengujian ROI kecil adalah gambar yang sama dengan sampel gambar yang digunakan untuk menguji ROI besar. dilakukan proses deteksi pada setiap area dan diambil hasil deteksi.
Kemudian hasil deteksi terbanyak dinyatakan sebagai kesimpulan akhir. Hasil dari kesimpulan akhir dibandingkan dengan label (kondisi aktual). Jika kesimpulan akhir dan label sama maka hasil akurasi adalah benar. Jika kesimpulan akhir dan label berbeda maka hasil akurasi adalah salah.
Hasil pengujian pada Tabel 3 adalah pengujian yang dilakukan pada 9 area ROI kecil berukuran (120x213). Dimana dalam pengujjian tersebut didapatkan 9 hasil benar dan 1 hasil salah. Maka akurasi detesi ROI kecil (dalam persen) ada pada persamaan (12)
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 9
10× 100 = 90% (12)
Tabel 2. Pengujian deteksi ROI besar (360x640)
No Gambar Aktual
Hasil deteksi bedasark
an ROI besar (360x640)
Akur asi
1 1.jpg Halangan Halangan Benar 2 2.jpg Lantai Lantai Benar 3 3.jpg Lantai Lantai Benar 4 4.jpg Lantai Lantai Benar 5 5.jpg Halangan Lantai Salah 6 6.jpg Halangan Halangan Benar 7 7.jpg Lantai Halangan Salah 8 8.jpg Halangan Lantai Salah 9 9.jpg Halangan Halangan Benar 10 10.jpg Halangan Lantai Salah
Tabel 3. Pengujian deteksi ROI kecil (120x213)
G A
k
Hasil deteksi beedasarkan ROI kecil
(120x213) ROI ke-n
H A A 1 2 3 4 5 6 7 8 9
1.jp
g H L H H L H H H H H H B 2.jp
g L L L L L L L H H L L B 3.jp
g L H L L L H L L H L L B 4.jp
g L L L H L H L L L L L B 5.jp
g H L L L L L L L L L L S 6.jp
g H H H L H H L H L H H B 7.jp
g L L L L H H L H L H L B 8.jp
g H H L H L H H H H H H B 9.jp
g H H H H H H H H H H H B 10.j
pg H L L L H L H H H H H B Keterangan :
G : Gambar Ak : Aktual HA : Hasil Akhir A : Akurasi H : Halangan L : Lantai B : Benar S : Salah
3.2 Pengujian Akurasi Deteksi Secara Real- Time
Pengujian akurasi deteksi secara real-time dilakukan dengan mangambil 4 sample video dengan masing masing jumlah total frame adalah 100 frame. Dalam 100 frame tersebut dicatat berapa frame yang memiliki kondisi aktual halangan dan kondisi aktual lantai. Kemudian setiap frame dilakukan proses deteksi dengan GLCM dan diklasifikasi menggunakan KNN.
Hasil deteksi setiap frame dicatat dan dikelompokkan untuk mengetahui jumlah hasil deteksi halangan dan jumlah deteksi lantai.
Setelah itu dihitung nilai hasil deteksi salah dengan persamaan (13). Kemudian hasil persamaan (13) digunakan untuk mencari nilai hasil benar dengan persamaan (14). Hasil dari persamaan (14) digunakan untuk mencari akurasi deteksi pada persamaan (15).
Tabel 4 adalah hasil pengujian akurasi deteksi secara real time. Objek pengujian v1 adalah lantai putih yang mempunyai akurasi halangan sebesar 100%. Objek pengujian v2
adalah pintu kayu yang mempunyai akurasi deteksi sebesar 82%. Objek pengujin v3 adalah kombinasi halangan dan lantai, dari pengujian tersebut akurasi deteksi yang didapat adalah sebesar 93%. Sedangkan untuk objek pengujian v3 adalah lemari pendingin berwarna putih yang menghasilkan akurasi deteksi sebesar 92%.
∑ 𝐹𝐻𝑎𝑠𝑖𝑙𝑆𝑎𝑙𝑎ℎ = ∑ 𝐹𝐴𝑘𝑡𝑢𝑎𝑙 − ∑ 𝐹𝐻𝑎𝑠𝑖𝑙𝐷𝑒𝑡𝑒𝑘𝑠𝑖 (13)
∑ 𝐹𝐻𝑎𝑠𝑖𝑙𝐵𝑒𝑛𝑎𝑟 = ∑ 𝐹𝐴𝑘𝑡𝑢𝑎𝑙 − ∑ 𝐹𝐻𝑎𝑠𝑖𝑙𝑆𝑎𝑙𝑎ℎ (14) 𝐴𝑘𝑢𝑎𝑠𝑖 (%) = ∑ 𝐹𝑟𝑎𝑚𝑒𝐻𝑎𝑠𝑖𝑙𝐵𝑒𝑛𝑎𝑟
∑ 𝐹𝑟𝑎𝑚𝑒 × 100 (15) Tabel 4. Pengujian akurasi halangan real time
V ∑F Kondisi Output Hasil deteksi A
∑FH ∑FL ∑FH ∑FL ∑B ∑S V1 100 0 100 0 100 100 0 100
V2 100 100 0 82 18 82 18 82
V3 100 50 50 43 57 93 7 93
V4 100 100 0 92 8 92 8 92
∑ 𝐹 : Total Frame
∑ 𝐹𝐻 : Total Frame Terdeteksi Halangan
∑ 𝐹𝐿 : Total Frame Terdeteksi Lantai
∑ 𝐵 : Hasil Deteksi Benar
∑ 𝑆 : Hasil Deteksi Salah A : Akurasi Deteksi
3.3 Pengujian Akurasi Intergrasi Hardware dan Software
Pengujian ini dilakukan untuk mengetahui respon hardware ketika sistem meminta menyalakan atau mematikan buzzer. Pengujian dilakukan dengan mengarahkan kamera ke objek yang kodisi aktualnya diidentifikasi sebagai halangan atau lantai. Ketika kamera diarahkan ke objek halangan dan terdeteksi halangan, respon dari buzzer dicatat apakah buzzer nyala atau tidak. Begitu juga sebaliknya. Pada hasil pengujian di Tabel 5 dapat diketahui bahwa sistem mampu menyalakan 4 buzzer dari total 5 halangan. Sistem juga mampu mematikan 2 buzzer dari total 2 hasil deteksi lantai. Dari hasil pengujian tersebut dapat diketahui akurasi untuk pengujian tersebut ada pada persamaan (16).
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 8
9× 100 = 88.8 (%) (16)
Fakultas Ilmu Komputer, Universitas Brawijaya Tabel 5. Pengujian akurasi intergrasi hardware dan
software
No Nama Aktual Terdeteksi Buzzer nyala 1 Objek
1 Halangan Halangan Ya 2 Objek
2 Halangan Halangan Ya 3 Objek
3 Halangan Halangan Ya 4 Objek
4 Halangan Halangan Tidak 5 Objek
5 Halangan Halangan Ya 6 Objek
6 Lantai lantai tidak 7 Objek
7 Halangan Halangan Ya 8 Objek
8 Halangan Halangan Ya 9 Objek
9 Lantai Lantai Ya
Tabel 6. Pengujian waktu komputasi
N
Waktu Komputasi (ms) Proses Deteksi ROI ke
1 2 3 4 5 6 7 8 9 T
1 298 131 21 25 21 20 20 24 20 582
2 17 18 25 18 24 21 21 30 19 197
3 17 17 19 23 24 31 20 20 17 190
4 18 18 19 21 25 22 21 10 23 189
5 17 18 18 20 19 19 35 17 18 183
6 17 19 21 19 27 28 22 20 18 193
7 19 22 22 21 21 36 25 18 19 205
8 22 19 24 25 32 25 19 21 20 208
9 18 22 29 21 45 20 17 17 19 209
10 38 35 35 65 41 31 27 29 27 332
×̅ 48.1 31.9 23.3 25.8 27.9 25.3 22.7 20.6 20 248.8
Min 17 17 18 18 19 19 17 10 17 183
Mak 298 131 35 65 45 36 35 30 27 582
Keterangan : N : Nama
×̅ : Rata rata T : Total
3.4 Pengujian Waktu Komputasi
Pengujian waktu komputasi adalah pengujian yang dimaksudkan untuk mengetahui berapa waktu yang diperlukan sistem dalam melakukan proses deteksi.
Pada Tabel 6 dapat diketahui bahwa waktu komputasi secara keseluruhan pada sistem ini membutuhkan waktu rata rata 248.8 ms, minimum 183ms, dan maksimum 582ms. Untuk rata rata waktu komputasi deteksi terlama pada sistem ini adalah waktu komputasi deteksi pada ROI kecil area pertama yaitu 48.1 ms dan rata rata waktu komputasi deteksi tercepat pada sistem ini adalah waktu komputasi deteksi pada ROI kecil area ke-sembilan yaitu 20 ms.
4. KESIMPULAN
Berdasarkan hasil pegujian yang telah dilakukan dipenelitian ini, maka kesimpulan yang dapat diambil adalah sebagai berikut : 1 Dalam penelitian ini penentuan ukuran ROI
sangat berpengaruh dalam melakukan proses deteksi halangan. Deteksi halangan pada ROI dengan berukuran 360x640 piksel mempunyai akurasi deteksi sebesar 60%.
Sedangkan dengan pembagian ROI menjadi 9 area berukuran 120x213 piksel mempunyai akurasi deteksi sebesar 90%.
2 Dalam penelitian ini akurasi algoritma GLCM dan KNN memiliki nilai akurasi berbeda beda. Akurasi deteksi pada objek lantai lebih akurat daripada akurasi deteksi pada objek halangan. Objek lantai memiliki akurasi 100% dibandingkan dengan deteksi objek halangan sebesar 82%. Algoritma tersebut juga dapat mendeteksi objek dengan warna yang sama dengan lantai yaitu warna putih dengan nilai akurasi 92%.
Sedangkan ketika dilakukan dua deteksi halangan dan lantai dalam 1 video didapatkan nilai akurasi sebesar 93%.
3 Dalam penelitian ini akurasi intergrasi hardware dan software diujikan pada 9 objek yang terdiri halangan dan lantai. Dari hasil pengujian tersebut diperoleh nilai akurasi sebesar 88.8%. Hal tersebut dipengaruhi dengan perpindahan hasil deteksi yang tidak stabil sehingga menyebabkan ketika sistem ingin menyalakan buzzer hasil deteksi sudah berganti.
4 Dalam penilitian ini waktu komputasi dihitung mulai dari sistem mendapatkan gambar sampai sistem mengeluarkan output. Rata rata waktu komputasi pada sistem ini secara keseluruhan adalah 248.8 ms. Waktu minimum komputasi pada sistem ini secara keseluruhan adalah 183 ms. Sedangan untuk waktu maksimum komputasi pada sistem ini secara kesluruhan adalah 582 ms. Kemudian rata rata waktu komputasi deteksi terlama pada sistem ini adalah waktu komputasi deteksi pada ROI kecil area pertama yaitu 48.1 ms dan rata rata waktu komputasi deteksi tercepat pada sistem ini adalah waktu komputasi deteksi pada ROI kecil area ke- sembilan yaitu 20 ms.
5. DAFTAR PUSTAKA
Albregtsen, F. (2008). Statistical Texture Measures Computed from Gray Level Coocurrence Matrices. Image Processing Laboratory, Department of Informatics.
Atmojo, K. T. (2016). Alat Bantu Jalan Untuk Tunanetra Dengan Sensor Pendeteksi Lubang Berbasis. Alat Bantu Jalan Untuk Tunanetra Dengan Sensor Pendeteksi Lubang Berbasis, 1.
Badan Pengembangan dan Pembinaan Bahasa, K. K. (2016). KBBI Daring. Retrieved
from KBBI Daring:
https://kbbi.kemdikbud.go.id/entri/mobili tas
Jefriansyah, R. (2016). Jemari jendela duniaku.
uwais indie publisher.
Wijaya, T. A., & Prayudi, Y. (2010).
Implementasi Visi Komputer Dan Segmentasi Citra. Seminar Nasional Aplikasi Teknologi Informasi 2010 (SNATI 2010), 1-2.
