Mechatronic and Robotic BALL TRACKING DENGAN SEGMENTASI MODEL WARNA HSV PADA ROBOT SEPAK BOLA

209 Mechatronic and Robotic

BALL TRACKING DENGAN SEGMENTASI MODEL WARNA HSV PADA ROBOT SEPAK BOLA

Imam Sujatmiko¹, Abdurrahman¹, Yeni Irdayanti¹

1Jurusan Teknik Elektro Program Studi Sarjana Terapan Teknik Elektro Konsentrasi Mekatronika Politeknik Negeri Sriwijaya

imam_sujatmiko@live.com

ABSTRACT

The soccer robot is a mobile robot that works full time. This robot must have the ability to detect objects in the form of a ball and do ball chasing (ball Tracking). From this challenge the robot must use the image sensor ie camera or Webcam. From the results of the image will proceed to the image processing. This image processing will use the segmentation process. The segmentation process will detect the ball object by utilizing the HSV color model. In determining the value of HSV image processing will compare the original image value and the image of the thresholding result. This comparison is based on the similarity of object shape to be detected. From this segmentation will detect the rounded objects and characteristic colors of the sphere to be in detection. After detection of the object this sphere will give the position of the object information in the form of pixels. By utilizing pixel information to know the position of the ball against the robot camera.

Keywords: Ball Tracking, HSV, Image Processing, Soccer Robot

ABSTRAK

Robot sepak bola merupakan mobile robot yang bekerja secara full time. Robot ini harus memiliki kemampuan untuk mendeteksi objek berupa bola dan melakukan pengejaran bola (ball Tracking). Dari tantangan ini robot harus menggunakan sensor citra yaitu kamera atau Webcam. Dari hasi citra akan dilanjutkan ke proses pengolahan citra. Pengolahan citra ini akan menggunakan proses segmentasi. Proses segementasi akan mendeteksi objek bola dengan memanfaatkan model warna HSV. Dalam penentuan nilai HSV pengolahan citra akan membandingakan nilai citra asli dan citra dari hasil thresholding. Perbandingan ini berdasarkan kesamaan bentuk objek yang akan dideteksi. Dari segmentasi ini akan mendeteksi objek bulat dan warna karakteristik dari bola yang akan dideteksi. Setelah pendeteksian objek bola ini akan memberikan informasi posisi objek berupa piksel. Dengan memanfaatkan informasi piksel untuk mengetahui posisi bola terhadap kamera robot.

Kata Kunci: Pengolahan Citra, Pengikut Bola, HSV, Robot Sepak Bola,

210

PENDAHULUAN

Salah satu kegiatan manusia yang dapat diaplikasikan ke robot adalah bermain sepak bola.

Robot sepak bola merupakan mobile robot yang harus dijalankan dengan kondisi full automation dan dapat mendeteksi bola dengan baik. Dengan tantangan ini akan banyak pengembangan teknologi yang dapat di aplikasikan ke robot sepak bola. Salah satunya kontes robot sepak bola di indonesia berdasarkan panduan kontes robot sepak bola Indonesia 2018 diselenggarakan berdasarkan aturan yang berlaku di RoboCup Middle Size League (MSL), dengan menyesuaikan kondisi di Indonesia, misalnya pada ukuran lapangan dan lainnya.

Robot bola beroda ini memiliki tiga buah motor dan roda omnidirectional yang mana robot ini akan bergerak bebas untuk mencari atau mencetak gol.

Robot ini akan menggunakan kamera atau webcam sebagai sensor utama. Hasil dari kamera atau webcam akan diproses oleh pc atau laptop untuk diteruskan ke mikrokontroler. Prianggodo (2016) menyatakan untuk dapat melakukan segala hal tersebut diperlukan sebuah sistem embede yang dapat berperan sebagai komputer untuk melakukan pengolahan citra pada prosesor robot, serta mikrokontroller sebagai pengendali untuk rangkaian elektronik aktuator pada bagian keluaran robot.

Dari pada itu proses ini membutuhkan pengolahan citra sebagai pendeteksi objek bola agar melakukan pengejaran objek bola atau ball tracking berdasarkan karakter dari bola. Salah satu karakteristiknya yaitu warna.

Proses segmentasi memerlukan pemilahan objek bola terhadap objek lain dari warna citra objek.

Warna citra objek bola merupakan variabel yang akan dipilih terhadap variabel warna objek di sekitarnya. Pemilahan ini merupakan metode dari segmentasi. Menurut putranto (2010) Proses pengenalan segmen merupakan salah satu kunci dalam mendapatkan suatu hasil pengenalan atau deteksi yang akurat. Segmentasi warna yang digunakan merupakan model warna HSV. Dimana warna HSV terdiri dari 3 unsur yaitu Hue mewakili derajat warna, Saturation mewakili tingkat dominasi warna atau kekuatan warna dan Value mewakili tingkat kecerahan dari warna. serta Putrarto (2010) menyatakan Proses deteksi objek akan mengolah segmen warna yang dihasilkan oleh proses segmentasi sehingga dapat diketahui banyaknya objek terdeteksi, luas area dan titik pusat tiap objek.

Segmentasi citra dengan deteksi warna HSV menurut Gunanto (2009) menggunakan dasar seleksi warna pada model warna HSV dengan nilai toleransi tertentu. Dengan pernyataan ini Untuk menentukan nilai toleransi nilai Hue, Saturation dan

Value (HSV) dapat dilakukan dengan mudah karena menentukan nilai toleransi roda warna, kepekaan warna dan kegelapan warna.

Citra Digital

Citra Digital adalah representasi dari sebuah citra dua dimensi sebagai sebuah kumpulan nilai digital yang disebut elemen gambar atau piksel. Piksel adalah elemen terkecil yang menyusun citra dan mengandung nilai yang mewakili kecerahan dari sebuah warna pada sebuah titik tertentu (Tim Dosen, 2016). Pada umumnya citra digital yang tingginya N, lebarnya M, dan memiliki L derajat keabuan dapat dianggap sebagai fungsi:

𝒇(𝒙, 𝒚) { 𝟎 ≤ 𝒙 ≤ 𝑴 𝟎 ≤ 𝒚 ≤ 𝑵 𝟎 ≤ 𝑭 ≤ 𝑳

Persamaan 1. Batas Derajat Keabuaan

Citra digital yang berukuran N x M dinyatakan dengan matriks yang berukuran N baris dan M kolom sebagai berikut:

𝒇(𝒙, 𝒚) ≈ [

𝒇(𝟎, 𝟎) 𝒇(𝟎, 𝟏) … 𝒇(𝟎, 𝑴) 𝒇(𝟏, 𝟎)

⋮ 𝒇(𝑵 − 𝟏, 𝟎)

𝒇(𝟏, 𝟏) … 𝒇(𝟏, 𝑴)

⋮ ⋮ ⋮

𝒇(𝑵 − 𝟏, 𝟎) … 𝒇(𝑵 − 𝟏, 𝑴𝟏) ]

Persamaan 2. Matriks Citra Digital

Indeks baris (x) dan indeks kolom (y) menyatakan suatu koordinat titik pada citra, sedangkan f(x,y) merupakan intensitas (derajat keabuan) pada titik (x, y).

Model Warna HSV

Model warna HSV adalah kepanjangan dari Hue Saturation dan Value. HSV merupakan salah satu cara untuk mendefinisikan warna yang didasarkan pada roda warna. Nilai hue dipresentasi dalam bentuk lingkaran dan memiliki rentang berupa sudut antara 0^o-360^o, Saturation yang menunjukkan pada radius roda warna sehingga menunjukkan tingkat dominasi warna atau kekuatan warna menuju warna ke putih murni dan Value Menunjukkan nilai kecerahan dari warna. Saturation dan Value berkisar dari 0 hingga 100%. Sehingga HSV selayaknya pelukis mencampurkan warna putih dan hitam pada warna dasar. Berikut persamaan warna RGB ke HSV.

𝑯

{

𝟔𝟎 (

^{(𝑮−𝑩)}𝜹

) 𝐌𝐀𝐗 = 𝐑 𝟔𝟎 (

^{(𝑩−𝑹)}_𝜹

) + 𝟐 𝑴𝑨𝑿 = 𝑮 𝟔𝟎 (

^{(𝑹−𝑮)}_𝜹

) + 𝟐 𝑴𝑨𝑿 = 𝑩

𝒏𝒐𝒕

𝒅𝒆𝒇𝒊𝒏𝒆𝒅

𝑴𝑨𝑿 = 𝟎

𝑺 = {

^{𝑴𝑨𝑿𝜹}

𝑴𝑨𝑿 ≠ 𝟎 𝟎 𝑴𝑨𝑿 = 𝟎

V= MAX

Persamaan 3. Mengubah RGB ke HSV

211

Segmentasi

Segmentasi adalah proses pembagian sebuah citra kedalam sejumlah bagian atau objek.

Segmentasi merupakan suatu bagian yang sangat penting dalam analisis citra secara otomatis, sebab pada prosedur ini objek yang diinginkan akan diperlukan untuk proses selanjutnya, misalnya: pada pengenalan pola. Pada metode segmentasi dengan deteksi warna HSV menurut Giannakupoulos (2008), dilakukan pemilihan sampel piksel sebagai acuan warna untuk membentuk segmen yang diinginkan.

Berikut ini merupakan proses segmentasi model warna HSV menurut (Giannakupoulos, 2008).

1. Tentukan citra RGB yang menjadi obyek deteksi, nilai warna HSV yang menjadi acuan (hasil proses pelatihan data) dan nilai toleransi HSV yang digunakan.

2. Transpose citra RGB ke HSV.

3. Lakukan filter warna pada citra berdasarkan nilai acuan (T) dan nilai toleransi (tol). Dengan x sebagai warna HSV pada piksel yang ada maka warna yang tidak termasuk dalam rentang T-tol < x < T+tol diberi warna hitam.

4. Transpose kembali citra ke RGB, tampilkan hasil filter.

Dari pernyataan tersebut Giannakupoulos (2008) menjelaskan bagaimana proses segmentasi HSV dengan melakukan nilai toleransi dan nilai acuan warna yang akan dinginkan.

Thresholding

Thresholding adalah proses mengubah citra berderajat keabuan menjadi citra biner atau hitam putih sehingga dapat diketahui daerah mana yang termasuk objek dan background dari citra secara jelas. Citra hasil thresholding biasanya digunakan lebih lanjut untuk proses pengenalan obyek serta ekstraksi fitur. Thresholding memiliki persamaan berikut:

Gambar 1. Thresholding citra

(sumber: Tim Dosen Universitas Mercu Buana, 2016)

METODE

Dalam pengerjaan penelitian ini memiliki tahapan kerja pada gambar 2 sebagai berikut:

Gambar 2. Tahapan Metode Penelitian

Perancangan dan Pembangunan Perangkat Keras dan Lunak

Dalam perancangan dimana penulis menggunakan webcam camera Logitec c270 sebagai pengambilan citra. Citra ini akan di lanjutkan ke PC/Laptop dengan menggunakan processor intel i3.

Dari hasil pengolahan citra akan diteruskan ke mikrokontroler arduino. Dalam proses pengiriman hasil laptop ke arduino di perlukan komunikasi interface yaitu serial. Dapat dijelaskan pada gambar berikut:

Gambar 3. Diagram Block perangkat keras

Mikrokontroler Arduino akan menjalankan aktuator berupa motor untuk menggerakan robot dan untuk menentukan keputusan selanjutnya.

Dalam pengolahan citra perancang menggunakan bahasa pemograman Python yang terhubung dengan library Opencv. Library opencv merupakan sebuah pustaka perangkat lunak yang ditujukan untuk pengolahan citra dinamis secara real-time, yang dibuat oleh Intel, dan sekarang didukung oleh Willow Garage dan Itseez. Bahasa python akan compile program dan dapat bekerja untuk mengirim data posisi bola ke mikrokontroler arduino.

212

Gambar 4. Diagram alur perangkat Lunak

Pengambilan Data Citra Objek Bola

Dalam pengambilan data citra penulis menggunakan contoh objek bola dengan 4 warna yang berbeda. Warna tersebut adalah merah, biru, hijau, dan jingga. Pengambilan gambar di ambil dengan jarak 1.5 meter. Seperti gambar berikut:

Gambar 5. Pengambilan data citra

Posisi Bola Terhadap Kamera

Robot dapat bergerak berdasarkan informasi gambar berupa pixel yang ditangkap oleh kamera berupa objek bola. Sebagai contoh ketika posisi bola berada di kanan dari titik pusat resolusi gambar,

maka robot akan memberikan informasi gerak ke kanan begitu pula sebaliknya. Untuk lebih jelasnya dapat dilihat pada Gambar 3 berikut.

Gambar 6. Posisi bola terhadap kamera

Dalam hal ini:

Posis kanan = (𝑥 >^𝑀₂) Posisi Kiri = (𝑥 <^𝑀₂)

Persamaan 4. Posisi bola

HASIL DAN PEMBAHASAN Memindai Nilai HSV

Dari Pengambilan data citra penulis mendapatkan hasil nilai hsv sebagai berikut:

Tabel 1. Nilai Model Warna HSV Warna Nilai Hue Nilai

Saturation Nilai Value Min Max Min Max Min Max

Merah 0 5 121 255 0 255

Hijau 40 80 96 246 40 246

Biru 98 121 60 176 89 255

Jingga 0 46 172 255 125 255 Mendapatkan nilai HSV tersebut penulis menggunakan proses pemindaian nilai HSV.

pemindaian ini bekerja dimana citra asli akan dibandingkan dengan proses thresholding. Hasil thresholding akan menentukan kesempurna nilai HSV yang didapatkan. Bentuk thresholding bola seperti objek bola pada citra asli. Seperti pada gambar:

Gambar 7. Pemindaian hasil HSV

Pengujian posisi bola terhadap kamera

Pengujian ini bola akan di letakan di depan kamera. Dengan pengolahan citra objek bola akan terdeteksi dengan memberi nilai posisi piksel. Dari hasil piksel ini akan menentukan objek bola terhadap robot berada di kanan atau di kiri robot. Frame

213

piksel yang digunakan yaitu 640 x 480 piksel . sebagai berikut:

Tabel 2. Hasil Pengolahan Citra No Citra Asli Citra

Thresholding X Posisi Bola

1 144 Kiri

2 556 Kanan

3 142 Kiri

4 455 Kanan

5 111 Kiri

6 452 Kanan

7 159 Kiri

8 545 Kanan

Dari letak bola tersebut akan memberi keputusan untuk robot mendekati bola dan menggiringnya atau memiliki keputusan yang lainnya.

Sudut Pandang Kamera

Sudut pandang kamera mempengaruhi luas daerah jangkauan robot. Semaking besar Wide angle kamera semakin luas daerah yang terdeteksi.

Seperti gambar sebagai berikut:

Gambar 8. Sudut Pandang Kamera

Pada gambar tersebut memiliki sudut 55.76^o terhadap titik objek bola dan muka robot. Sudut ini merupakan luas maksimal jangkauan untuk

mendeteksi objek bola yang berada kanan dan kiri robot.

KESIMPULAN DAN SARAN

Dari pengujian dan penelitian, ball tracking dapat dilakukan dengan baik di model warna HSV.

penggunaan warna HSV dapat digunakan di dalam segementasi. Segementasi tersebut di anjurkan untuk di dikalibrasi. Kalibrasi ini membandingakan hasil citra asli dan warna pada thresholding.

Perbandingan tersebut harus memiliki bentuk yang sama untuk menghilangkan pendeteksian terhadap objek yang tidak di butuhkan. Hasil pembandingan ini akan mendapatkan nilai toleransi Hue, Saturation dan Value (HSV)

Hasil segmentasi ini akan memberikan informasi posisi objek bola dalam bentuk piksel. Hasil piksel tersebut dapat dimanfaatkan untuk membuat keputusan kearah yang akan di tujuh. Ruang lingkup Pendeteksian objek tergantung terhadap berapa besar wide angel lensa kamera.

REFRENSI

Dosen, Tim. 2016. “Pengolahan Citra”. Modul Perkuliahan. Fakultas Ilmu Komputer, Program Studi Informatika, Universitas Mercu Buana.

Giannakopoulos, T. 2008. Matlab Color Detection Software, Dapartement of Informatics and Telecommunications, University of Athens,

Greece. Diambil dari

http://www.di.uoa.gr/~tyiannak.

Kusumanto, R. D. 2011. “klasifikasi Warna Menggunakan Pengolahan Model Warna HSV”.

Jurnal Ilmiah Elite Elektro, vol. 2, No. 2.

Prayitno, Yustinus Pancasila. 2012. “Rancang Bangun Aplikasi Pendteksi Bentuk Dan Warna Benda Pada Mobile Robot Berbasis Webcam”.

Journal of Control and Network System. Vol.

1, No. 2.

Prianggodo, Laksono Budi. 2016. ”Perancangan Object Tracking Robot Berbasis Image Processing Menggunakan Raspberry pi”.

Publikasih Ilmiah, Jurusan Teknik Elektro Fakultas teknik, Universitas Muhammadiyah surakarta.

Putranto, Benedictus Yoga Budi. 2010. “Segmentasi Warna Citra Dengan Deteksi Warna HSV Untuk Mendeteksi Objek”. Jurnal Informatika. Vol.

6, No. 2.