SISTEM DETEKSI BOLA BERDASARKAN WARNA BOLA DAN BACKGROUND WARNA LAPANGAN PADA ROBOT BARELANG FC TUGAS AKHIR. Oleh : HANJAYA MANDALA

Transkripsi

1 SISTEM DETEKSI BOLA BERDASARKAN WARNA BOLA DAN BACKGROUND WARNA LAPANGAN PADA ROBOT BARELANG FC TUGAS AKHIR Oleh : HANJAYA MANDALA PROGRAM STUDI TEKNIK MEKATRONIKA JURUSAN TEKNIK ELEKTRO POLITEKNIK NEGERI BATAM 2017

2 SISTEM DETEKSI BOLA BERDASARKAN WARNA BOLA DAN BACKGROUND WARNA LAPANGAN PADA ROBOT BARELANG FC TUGAS AKHIR Oleh : HANJAYA MANDALA NIM : Disusun untuk memenuhi salah satu syarat kelulusan Program Diploma IV Program Studi Tekink Mekatronika Politeknik Negeri Batam PROGRAM STUDI TEKNIK MEKATRONIKA POLITEKNIK NEGERI BATAM 2017

3 PERNYATAAN KEASLIAN TUGAS AKHIR Saya yang bertanda tangan dibawah ini menyatakan bahwa isi sebagian maupun keseluruhan Tugas Akhir saya yang berjudul: SISTEM DETEKSI BOLA BERDASARKAN WARNA BOLA DAN BACKGROUND WARNA LAPANGAN PADA ROBOT BARELANG FC adalah hasil karya sendiri, diselesaikan tanpa menggunakan bahan-bahan yang tidak diijinkan dan bukan merupakan karya pihak lain yang saya akui sebagai karya sendiri. Semua referensi yang dikutip atau dirujuk telah ditulis secara lengkap pada daftar pustaka. Apabila ternyata pernyataan saya ini tidak benar, saya bersedia menerima sanksi sesuai peraturan yang berlaku. Batam, 16 Mei 2017 Hanjaya Mandala NIM i

4 LEMBAR PENGESAHAN TUGAS AKHIR Tugas Akhir disusun untuk memenuhi salah satu syarat memperoleh gelar Sarjana Terapan Teknik (S.Tr.T) di Politeknik Negeri Batam Oleh Hanjaya Mandala Tanggal Sidang: 16 Mei 2017 Disetujui Oleh: Dosen Penguji : Dosen Pembimbing : 1. Sumantri Kurniawan, ST., MT. NIK Hendawan Soebhakti, ST.,MT. NIK Senanjung Prayoga, S.Pd., MT. NIK Eko Rudiawan, S.ST. NIK ii

5 SISTEM DETEKSI BOLA BERDASARKAN WARNA BOLA DAN BACKGROUND WARNA LAPANGAN PADA ROBOT BARELANG FC Nama mahasiswa : Hanjaya Mandala NIM : Pembimbing I : Hendawan Soebhakti, ST., MT. Pembimbing 2 : Eko Rudiawan, S.ST. hanjaya_mandala@yahoo.com ABSTRAK Dalam suatu permainan sepak bola, sebuah robot soccer humanoid harus dapat menggiring dan menendang bola ke arah gawang. Agar dapat bermain dengan benar, sebuah robot soccer harus dilengkapi dengan sistem deteksi bola yang baik. Robot harus dapat mengenali bola di dalam lapangan dengan hanya menggunakan kamera sebagai sensor utama. Permasalahan yang muncul adalah adanya objek lain selain bola didalam dan luar lapangan. Permasalahan lainnya adalah intensitas cahaya dapat mempengaruhi keberhasilan pengenalan bola. Pada penelitian ini dikembangkan sistem deteksi bola dengan menggunakan perpaduan segmentasi HSV dari warna bola dan warna latar lapangan. Ukuran bola dideteksi menggunakan library cvblob. Untuk mengurangi pengaruh intensitas cahaya maka fitur auto dari kamera akan dinonaktifkan. Hasil penelitian ini menghasilkan sistem deteksi yang akurat dan real time dengan persentase teknik color filtering (HSV) untuk mendeteksi bola tennis oranye adalah 84%. Pada proses pengenalan ukuran bola menggunakan library cvblob dan berdasarkan warna background lapangan persentase keberhasilan adalah 92% pada lapangan pengujian 6 x 4 meter dengan kondisi perubahan intensitas cahaya lux. Pemakaian proses CPU dari keseluruhan sistem deteksi ini mengalami kenaikan persentase % pada masing-masing core dan kecepatan capture camera yaitu fps. Kata kunci : robot soccer, deteksi bola, warna latar lapangan iii

6 BALL DETECTION SYSTEM BASED ON COLOR BALL AND FIELD BACKGROUND COLOR ON ROBOT BARELANG FC Student Name : Hanjaya Mandala NIM : Supervisor I : Hendawan Soebhakti, ST., MT. Supervisor 2 : Eko Rudiawan, S.ST. hanjaya_mandala@yahoo.com ABSTRACT In a soccer game, a humanoid soccer robot should be able to lead and kick the ball toward the goal. Soccer robot must be equipped with good ball detection system to play soccer properly by simply using the camera as the main sensor. The problem that arises is the existence of other objects on and off the field. Another problem is the variety intensity of light can affect the recognition of the ball. In this research, will be develop a ball detection system by using a combination of HSV color filtering of ball and field background color. Cvblob library will be used to detect size of ball and to reduce the influence of light intensity, the auto feature of the camera will be disabled. The results of this research generate an accurate and real time detection system with percentage of HSV color filtering technique to detect an orange tennis ball is 84%. Percentage of recognition ball size by using cvblob library and position based on field background color is 92% in (6 x 4m 2 ) field area with range of light intensity: 10, lux. CPU usage of the whole detection system process has increased the percentage of % on each core and camera capture speed is fps. Keyword : robot soccer, ball detection, field background color. iv

7 KATA PENGANTAR Puji dan syukur penulis ucapkan kepada Tuhan Yesus Kristus, karena berkat rahmat- Nya penulis dapat menyelesaikan Laporan Tugas Akhir dengan judul SISTEM DETEKSI BOLA BERDASARKAN WARNA BOLA DAN BACKGROUND WARNA LAPANGAN PADA ROBOT BARELANG FC. Penulisan Laporan Tugas Akhir ini dimaksudkan untuk melengkapi persyaratan kelulusan tingkat Diploma IV Program Studi Teknik Mekatronika Politeknik Negeri Batam. Untuk memenuhi persyaratan tersebut maka penulis mencoba untuk membuat suatu sistem mendeteksi bola berdasarkan warna bola dan background lapangan menggunakan OpenCV dan berdasarkan ukuran objek menggunakan library cvblobs yang diaplikasikan pada robot Barelang FC agar dapat bermain sepak bola layaknya manusia. Penulisan Laporan Tugas Akhir ini, dapat tersusun dan selesai dengan baik tak terlepas dari bantuan dan dukungan dari semua pihak yang ikut dalam membimbing penulis untuk menyelesaikan Laporan Tugas Akhir ini. Pada kesempatan ini, penulis ingin mengucapkan terima kasih kepada: 1. Tuhan Yesus Kristus, atas anugerah yang telah diberikan kepada penulis. 2. Kedua orang tua dan keluarga atas jasa, doa, bimbingan dan nasehat. 3. Bapak Dr. Priyono Eko Sanyoto, Selaku Direktur Politeknik Negeri Batam. 4. Bapak Dr. Budi Sugandi, S.T., M.Eng. Selaku Ka. Jurusan Teknik Elektro Politeknik Negeri Batam serta dosen pengampu mata kuliah Tugas Akhir. 5. Bapak Heru Wijanarko, ST., M.Sc. Selaku Ka. Prodi Teknik Mekatronika Politeknik Negeri Batam. 6. Bapak Hendawan Soebhakti, ST., MT. Selaku dosen pembimbing I Tugas Akhir. 7. Bapak Eko Rudiawan, S.ST. Selaku dosen pembimbing II Tugas Akhir. 8. Seluruh Dosen-dosen Teknik Elektro Politeknik Negeri Batam. 9. Seluruh Tim Robot Politeknik Batam yang membantu dalam penelitian. 10. Seluruh Alumni Tim Robot Politeknik Batam yang ikut membimbing dalam proses pembuatan dan Tugas Akhir. 11. Seluruh teman-teman yang telah membantu atas terselesaikannya buku laporan ini. Semoga segala kebaikan mereka yang telah diberikan kepada penulis diterima di hadapan Tuhan Yang Maha Esa. penulis menyadari sepenuhnya, bahwa dalam penulisan v

8 Laporan Tugas Akhir ini masih banyak kesalahan dan kekurangan karena keterbatasan ilmu yang dimiliki oleh penulis, untuk itu kritik dan saran dari pembaca sangat diperlukan untuk penulis. Batam, 16 Mei 2017 Penulis vi

9 DAFTAR ISI PERNYATAAN KEASLIAN TUGAS AKHIR... i LEMBAR PENGESAHAN TUGAS AKHIR... ii ABSTRAK... iii ABSTRACT... iv KATA PENGANTAR... v DAFTAR ISI... vii DAFTAR GAMBAR... viii DAFTAR TABEL... xi BAB I PENDAHULUAN Latar Belakang Masalah Perumusan Masalah Batasan Masalah Tujuan dan Manfaat... 2 BAB II DASAR TEORI Color Filtering Model warna HSV Konsep Binerisasi Citra (Thresholding) Erosi Dilasi... 6 BAB III PERANCANGAN SISTEM Rancangan Penelitian Instrumen Penelitian Prosedur Pengambilan Data Cara Analisa Data BAB IV PENYAJIAN DATA vii

10 4.1 Pengujian Sistem Deteksi Bola Pengujian Sistem Pengenalan Bola Pengujian Tingkat Keberhasilan Deteksi Bola Berdasarkan Intensitas Cahaya Pengujian Kecepatan Mencari Bola Pengujian Kecepatan Sistem Perangkat Keras Pengujian Sistem Secara Keseluruhan Analisa Sistem BAB V KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN A. Listing Program Sistem Deteksi Bola Berdasarkan Warna Bola Dan Warna Background Lapangan LAMPIRAN B. Intel NUC D34010WYK viii

11 DAFTAR GAMBAR Gambar 2.1 Represtasi Hasil Gambar Proses Color Filtering [1]... 3 Gambar 2.2 Model warna HSV [4]... 4 Gambar 2.3 Representasi Citra Biner Yang Diambil Pada Titik Tertentu [6]... 5 Gambar 2.4 Represestasi Proses Erosi [7]... 6 Gambar 2.5 Represestasi Proses Dilasi [7]... 7 Gambar 3.1 Tahapan Penelitian... 8 Gambar 3.2 Diagram Blok Robot... 9 Gambar 3.3 Desain Mekanik Robot Gambar 3.4 Diagram Blok Sistem Deteksi Robot Gambar 3.5 Konversi Citra Dalam Sistem Deteksi Robot Gambar 3.6 Citra Hasil Proses Erosi Gambar 3.7 Citra Hasil Proses Dilasi Gambar 3.8 Filterisasi Cvblob Pada Pengenalan Lapangan Gambar 3.9 Filterisasi Cvblob Pada Pengenalan Ukuran Bola Gambar 3.10 Sistem Koordinat Kamera Bola Dan Lapangan Gambar 3.11 Lapangan Area Pengujian Robot Gambar 4.1 Bola-bola Pengujian Sistem Deteksi Robot Gambar 4.2 Hasil Proses Color Filtering Pada Bola Tenis Oranye ix

12 Gambar 4.3 Citra Bola (RGB, HSV, Threshold) Gambar 4.4 Nilai HSV Pada Bola Tennis Oranye Dan Merah Gambar 4.5 Posisi bola pada posisi tertentu Gambar 4.6 Hasil Proses Pengenalan Bola Dengan Objek Bukan Bola Gambar 4.7 Hasil Proses Pengenalan Bola Gambar 4.8 Pengujian Deteksi Robot Berdasarkan Intensitas Cahaya Gambar 4.9 Pengujian Kecepatan Mencari Bola Gambar 4.10 Grafik Pengujian Kecepatan Mencari Bola Gambar 4.11 Persentase Pemakaian CPU Sebelum Sistem diaktifkan Gambar 4.12 Persentase Pemakaian CPU Setelah Sistem diaktifkan Gambar 4.13 Grafik Perbandingan Pemakaian CPU Gambar 4.14 Frame per second dari Robot Gambar 4.15 Posisi Pandangan Robot Terhadap Bola x

13 DAFTAR TABEL Tabel 4.1 Parameter Nilai HSV Warna Oranye Pada Proses Color Filtering Tabel 4.2 Hasil Pengujian Sistem Deteksi Bola Tenis Oranye Berdasarkan Jarak Tabel 4.3 Pengujian Tingkat Keberhasilan Deteksi Bola Beradasarkan Intensitas Cahaya 24 Tabel 4.4 Pengujian Waktu Searching Bola Tabel 4.5 Hasil Pengujian Sistem Keseluruhan xi

14 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Pada tahun 2050 sesuai dengan cita-cita dari organisai ROBOCUP akan diadakan pertandingan sepakbola (RoboSoccer) antara tim robot humanoid melawan tim dari juara dunia manusia. Agar dapat mencapai cita-cita tersebut, seluruh ilmuwan dunia sedang melakukan riset-riset robot yang terkait dengan pertandingan bola. Di Indonesia untuk mencapainya, dimulai dari ajang kompetisi nasional Kontes Robot Sepak Bola Indonesia atau disingkat dengan KRSBI. Peran utama dalam pertandingan bola adalah robot humanoid harus mampu untuk bermain dan menendang bola kearah gawang. Agar dapat menjalankan tugas dengan benar, robot menggunakan kamera sebagai sensor untuk mendeteksi bola pada lapangan pertandingan. Permasalahan umum yang muncul adalah bagaimana robot dapat mendeteksi bola sebagai objek utama dalam permainan tersebut. Tanpa mengetahui hal tersebut, maka robot tidak akan dapat menentukan objek yang akan dituju untuk keputusan selanjutnya. Beberapa penelitian telah dilakukan untuk memecahkan permasalahan tersebut antara lain dengan menggunakan sistem pendeteksian objek dengan ekstasi citra HSV. Proses ini memiliki tingkat keberhasilan 90% jika dibandingkan dengan ekstrasi citra RGB yang tingkat keberhasilanya sebesar 66.7 % [1]. Kelemahan metode ini adalah pengenalan bola yang hanya menggunakan ciri dari ekstrasi warna bola tanpa memperhatikan ciri lain dari bola. Penelitian lain menggunakan metode hough transform circle [2]. Dari hasil eksperimen diperoleh tingkat keberhasilan pengenalan bola sebesar rata-rata 94,44%. Kelemahan dari metode ini adalah memerlukan waktu proses pengenalan yang lebih lama dibandingkan dengan metode thresholding standar. Untuk mengatasi cara deteksi bola yang tidak salah, maka pada penelitian ini akan dikembangkan sistem deteksi bola berdasarkan warna bola dan background warna lapangan, yaitu proses deteksi objek menggunakan perpaduan segmentasi HSV dari warna bola dan warna latar lapangan. Untuk mengurangi pengaruh perubahan intensitas cahaya, maka fiturfitur auto dari kamera dinon-aktifkan. Ukuran panjang dan lebar bola yang dideteksi menggunakan library cvblob. Dengan demikian dapat mengurangi kesalahan deteksi dari sistem sehingga proses pendeteksian bola dapat berjalan dengan akurat dan real time. 1

15 1.2 Perumusan Masalah Permasalahan dalam penelitian ini dapat dirumuskan sebagai berikut : 1. Bagaimana cara mendeteksi bola. 2. Bagaimana membedakan bola dengan objek lain didalam lapangan 1.3 Batasan Masalah Pada penelitian ini permasalahan yang dibahas dibatasi dalam hal sebagai berikut : 1. Bola yang dapat dideteksi adalah bola warna oranye dengan diameter 6.4 cm. 2. Warna background lapangan adalah hijau. 3. Tinggi robot humanoid adalah 57.6cm. 4. Lingkungan pengujian adalah lapangan pertandingan dengan panjang 6 m dan lebar 4 m. 1.4 Tujuan dan Manfaat Tujuan dari penelitian ini adalah : 1. Mengaplikasikan teknik deteksi bola berdasarkan warna background lapangan untuk penyelesaian deteksi objek bola didalam lapangan. 2. Membedakan bola terhadap objek lain berdasarkan warna dan ukuran objek. Adapun manfaat dari penelitian ini adalah meningkatkan sistem deteksi pada robot Barelang FC dalam mendeteksi bola didalam lapangan secara cepat dan akurat. 2

16 BAB II DASAR TEORI Permasalahan sistem deteksi yang memanfaatkan tanda atau ciri visual sebuah objek tidak lepas dari konsep deteksi dan pengenalan tanda atau ciri visual objek. Berikut ini akan dibahas tentang beberapa hal yang berkaitan dengan permasalahan. 4.1 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 piksel citra dengan warna spesifik. Apabila warnanya sesuai dengan warna spesifik komponen warna piksel tersebut dibiarkan saja. Namun, bila warnanya tidak sesuai dengan warna spesifik maka komponen warna piksel 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[3]. Gambar 2.1 Represtasi Hasil Gambar Proses Color Filtering [1] 3

17 4.2 Model warna HSV HSV mendefinisikan warna dalam terminologi Hue, Saturation dan Value. Keuntungan HSV adalah terdapat warna-warna yang sama dengan yang ditangkap oleh indra manusia. Sedangkan warna yang dibentuk model lain seperti RGB merupakan hasil campuran dari warna-warna primer[4]. HSV memiliki 3 karakteristik pokok, yaitu Hue, Saturation dan Value, seperti yang ditunjukkan dalam gambar 2.2 Gambar 2.2 Model warna HSV [4] 1. Hue : menyatakan warna sebenarnya, seperti merah, violet, dan kuning dan digunakan menentukan kemerahan (redness), kehijauan (greeness), dsb. 2. Saturation : kadang disebut chroma, adalah kemurnian atau kekuatan warna. 3. Value : kecerahan dari warna. Nilainya berkisar antara %. Apabila nilainya 0 maka warnanya akan menjadi hitam, semakin besar nilai maka semakin cerah dan muncul variasi-variasi baru dari warna tersebut. Persamaan 2.1 adalah persamaan untuk merubah citra asli (RGB) menjadi citra HSV [5]. 3(G B) H = tan( (R G) + (R B) ) min (R, G, B) S = 1 ( ) V R + G + B V = 3 Didalam library opencv versi 2.4 dalam bahasa pemrograman C terdapat sintaks untuk mengkonversi warna RGB ke HSV : (2.1) cvcvtcolor (src, dst, code); 4

18 Berikut adalah penjelasan dari program diatas: 1. src : variabel citra input yang bertipe 8-bit (8u), 16-bit (16u) atau single point citra (32f) 2. dst : variabel citra output dengan tipe data sama dengan citra input 3. code : operasi konversi warna, seperti yang digunakan dalam sistem deteksi ini adalah konversi dari RGB ke HSV ( CV_BGR2HSV ) 4.3 Konsep Binerisasi Citra (Thresholding) Konsep binerisasi citra adalah sebuah konsep untuk mengubah suatu citra menjadi dua jenis intensitas yaitu 0 atau 255. Untuk melakukan proses ini digunakan ambang batas (threshold) yang nilainya dapat diatur sesuai keperluan. Persamaan 2.2 adalah persamaan untuk merubah citra asli menjadi citra biner [5]. f(x, y); if f(x, y) > Threshold then f(x, y) = 255 else 0 (2.2) Misalkan suatu potongan citra dengan ukuran 3x5 seperti berikut ini : Citra Asal = Jika nilai threshold yang dipasang adalah 100, maka semua piksel yang nilainya diatas atau sama dengan 100 diganti menjadi 255, sedangkan piksel yang nilainya dibawah 100 diganti menjadi 0, sehingga hasil binerisasi dari citra asal tersebut adalah : Citra Hasil = Ilustrasi citra biner dapat dilihat pada gambar Gambar 2.3 Representasi Citra Biner Yang Diambil Pada Titik Tertentu [6] Didalam library opencv versi 2.4 dalam bahasa pemrograman C terdapat sintaks untuk melakukan binarisasi citra : 5

19 void cvinranges(const CvArr* src, CvScalar lower, CvScalar upper, CvArr* dst) Berikut adalah penjelasan dari program diatas: 1. src : variabel array dari citra input 2. lowerb : variabel threshold untuk batas nilai bawah dari binarisasi citra 3. upperb : variabel threshold untuk batas nilai atas dari binarisasi citra 4. dst : variabel output citra dengan tipe data CV_8U 4.4 Erosi Erosi merupakan proses penghapusan titik-titik batas objek menjadi bagian dari latar, berdasarkan structuring element yang digunakan. Pada operasi ini, ukuran objek diperkecil dengan mengikis sekeliling objek [7]. Cara yang dapat dilakukan ada 2: 1. Dengan mengubah semua titik batas menjadi titik latar 2. Dengan menetapkan semua titik di sekeliling titik latar menjadi titik latar. Gambar 2.4 Represestasi Proses Erosi [7] Didalam library opencv versi 2.4 dalam bahasa pemrograman C terdapat sintaks untuk mengkonversi erosi : cverode(const CvArr* src, CvArr* dst, IplConvKernel* element=null, int iterations) Berikut adalah penjelasan dari program diatas: 1. Src : variabel citra input, jumlah dari channel dapat diacak, tetapi depth dari citra harus bertipe CV_8U, CV_16U, CV_16S, CV_32F` or ``CV_64F 2. dst : variabel citra output dengan tipe data sama dengan citra input 3. element : elemen penyusun yang digunakan untuk erosi 4. iterations : jumlah pengulangan untuk erosi 4.5 Dilasi Dilasi merupakan proses penggabungan titik-titik latar menjadi bagian dari objek, berdasarkan structuring element yang digunakan[7]. Proses ini adalah kebalikan dari erosi, yaitu merubah latar disekeliling objek menjadi bagian dari objek tersebut.terdapat 2 cara untuk melakukan dilasi ini, yaitu: 6

20 1. Dengan cara mengubah semua titik latar yang bertetangga dengan titik batas menjadi titik objek, atau lebih mudahnya set setiap titik yang tetangganya adalah titik obyek menjadi titik objek. 2. Dengan mengubah semua titik di sekeliling titik batas menjadi titik obyek, atau lebih mudahnya menetapkan semua titik tetangga sebuah titik obyek menjadi titik obyek. Gambar 2.5 Represestasi Proses Dilasi [7] Didalam library opencv versi 2.4 dalam bahasa pemrograman C terdapat sintaks untuk mengkonversi erosi : cvdilate(const CvArr* src, CvArr* dst, IplConvKernel* element=null, int iterations) Berikut adalah penjelasan dari program diatas: 1. src : variabel citra input, jumlah dari channel dapat diacak, tetapi depth dari citra harus bertipe CV_8U, CV_16U, CV_16S, CV_32F` or ``CV_64F 2. dst : variabel citra output dengan tipe data sama dengan citra input 3. element : elemen penyusun yang digunakan untuk dilasi 4. iterations : jumlah pengulangan untuk dilasi 7

21 BAB III PERANCANGAN SISTEM 3.1 Rancangan Penelitian Penelitian ini akan dilakukan desain eksperimental untuk pengujian sistem deteksi dan sistem pengenalan bola dengan tahapan penelitian sebagai berikut : 1. Perancangan robot. 2. Pembuatan mekanik robot. 3. Perakitan robot. 4. Pemrograman 5. Pengujian perangkat lunak deteksi bola. 6. Pengujian perangkat lunak sistem pengenalan bola. 7. Analisa data statistik. 8. Penulisan paper dan buku tugas akhir. Tahapan penelitian ini ditunjukkan dalam gambar 3.1 : Perancangan robot Pembuatan mekanik robot Perakitan robot. Pemrograman robot. Pengujian perangkat lunak deteksi bola Pengujian sistem pengenalan bola Analisa data statistik Penulisan paper dan buku tugas akhir Gambar 3.1 Tahapan Penelitian 8

22 Pada penelitian ini akan dibuat robot dengan diagram blok seperti pada gambar Camera Logitech C Mini PC Intel Nuc D34010WYK2 Servo Controller CM Gambar 3.2 Diagram Blok Robot Output yang dikontrol oleh mini pc melalui servo kontroler adalah servo dengan keterangan ID sebagai berikut: 1. R_SHO_PITCH 11. R_HIP_PITCH 2. L_SHO_PITCH 12. L_HIP_PITCH 3. R_SHO_ROLL 13. R_KNEE 4. L_SHO_ROLL 14. L_KNEE 5. R_ELBOW 15. R_ANK_PITCH 6. L_ELBOW 16. L_ANK_PITCH 7. R_HIP_YAW 17. R_ANK_ROLL 8. L_HIP_YAW 18. L_ANK_ROLL 9. R_HIP_ROLL 19. HEAD_PAN 10. L_HIP_ROLL 20. HEAD_TILT Nomor ID menunjukan keseragaman bahwa nomor urut ganjil untuk pergelangan sendi bagian kanan dan nomor genap untuk bagian kiri. Desain robot menggunakan dua puluh unit servo sebagai penggerak pada bagian pergelangan sendi seperti pada gambar

23 Gambar 3.3 Desain Mekanik Robot Sedangkan untuk proses deteksi bola berdasarkan warna dan pengenalan bola dapat digambarkan pada diagram blok sistem seperti pada gambar 3.4. Sistem Deteksi Bola Kamera Konversi Citra asli (RGB) Citra HSV Binarisasi (Thresholding) Erosi Dilasi Sistem Pengenalan Bola Robot mendeteksi objek Bounding Box Background Lapangan CV Blob Bola Gambar 3.4 Diagram Blok Sistem Deteksi Robot Pada sistem deteksi ini, pengenalan bola akan dimulai dari sistem deteksi bola terlebih dahulu. Berikut adalah penjelasan dari masing-masing hal tersebut. 10

24 3.1.1 Sistem deteksi bola Bola merupakan objek utama yang akan dideteksi oleh robosoccer humanoid. Penggambilan gambar dari kamera merupakan proses awal (gambar 3.5.a). Setelah itu sistem deteksi mendeteksi objek berdasarkan warna yaitu mengubah citra RGB menjadi HSV (gambar 3.5.b). Kemudian citra di filter terhadap warna bola (gambar 3.5.c) dan warna lapangan (gambar 3.5.d) yaitu merupakan proses dari binarisasi. (a) (b) (c) (d) Gambar 3.5 Konversi Citra Dalam Sistem Deteksi Robot Citra hasil dari ekstraksi binarisasi selanjutnya perlu dilakukan filterisasi morphological. Dengan tujuan untuk menghilangkan noise-noise dari gambar dilakukan erosi. Proses erosi terhadap bola ditunjukan oleh gambar 3.6.a dan lapangan oleh gambar 3.6.b. 11

25 (a) Gambar 3.6 Citra Hasil Proses Erosi (b) Proses penakanan area objek yang ingin dideteksi merupakan proses filter dari dilasi. Bola dan lapangan hasil dilasi diperlihatkan pada (gambar 3.7.a) dan (gambar 3.7.b). (a) Gambar 3.7 Citra Hasil Proses Dilasi (b) Sistem pengenalan bola Agar robot dapat mengenali bola didalam lapangan setelah melalui proses deteksi warna, maka proses selanjutnya ialah identifikasi ciri dari bola. Ada beberapa ciri dari bola yang akan dikenali dalam penelitian ini. Ukuran bola dan lapangan dibantu menggunakan library cvblob. Pada gambar (3.8.a) dilihatkan hasil sebelum dan sesudah (3.8.b) menggunakan cvblob pada pengenalan lapangan. 12

26 (a) Gambar 3.8 Filterisasi Cvblob Pada Pengenalan Lapangan (b) Dalam proses pengenalan bola apabila hanya memperhatikan filterisasi pada warna maka objek dengan warna sama akan menjadi faktor penggangu dalam deteksi yang mengakibatkan kesalahan dalam deteksi. Pada gambar (3.9.a) dilihatkan hasil sebelum dan sesudah (3.9.b) menggunakan cvblob untuk membedakan ukuran bola. (a) Gambar 3.9 Filterisasi Cvblob Pada Pengenalan Ukuran Bola (b) Selanjutnya sistem pengenalan bola yang dikembangkan dalam sistem ini berdasarkan letak bola. Pada sistem posisi bola, target yang dikenali adalah bola yang berada didalam lapangan. Dengan menggunakan sistem koordinat kamera dari koordinat bola yang berada didalam area koordinat lapangan. Ilustrasi sistem koordinat kamera diperlihatkan pada gambar

27 (0,0) (x,0) ptf1-field ptb1-ball ptb2-ball ptf2-field (0,y) (x,y) Gambar 3.10 Sistem Koordinat Kamera Bola Dan Lapangan Sistem gambar bentuk rectangle pada opencv membutuhkan start point dan end point koordinat camera. Dibawah ini dijelaskan koordinat bola dan lapangan: a. Bola Start Point = ptb1.x dan ptb1.y End Point = ptb2.x dan ptb2.y b. Lapangan Start Point = ptf1.x dan ptf1.y End Point = ptf2.x dan ptf2.y Sehingga didapat kondisi koordinat, untuk menentukan posisi objek bola berada didalam atau luar background lapangan. Ketika objek bola berada didalam lapangan, maka objek akan dikenali sebagai bola yang akan dituju oleh robot. Sintaks algoritma dalam pemrograman C++ untuk membuat sistem pengenalan posisi bola adalah sebagai berikut: if (ptb1.x > ptf1.x && ptb1.y > ptf1.y && ptb2.x < ptf2.x && ptb2.y < ptf2.y) { } 14

28 3.2 Instrumen Penelitian Sistem pengujian yang dibuat dalam penelitian ini ditunjukkan pada gambar m 6m Gambar 3.11 Lapangan Area Pengujian Robot Robot diujikan pada lapangan seperti pada gambar 3.10 dengan ukuran panjang 6 meter dan lebar 4 meter. Robot kemudian bermain layak nya pemain bola pada umumnya, sehingga robot akan selalu mencari bola, apabila tidak menemukan. Untuk mengetahui apakah robot dapat mengenali bola didalam lapangan, maka bola akan diletakan dibeberapa tempat pada dalam lapangan (gambar3.11.a), tepi lapangan (gambar3.11.b), dan luar lapangan (gambar3.11.c). (a) (b) (c) Gambar 3.11 Beberapa Tipe Tempat Uji Coba Robot 15

29 3.3 Prosedur Pengambilan Data Pengambilan data percobaan dilakukan dalam beberapa tahap pengujian yaitu : 1. Pengujian sistem deteksi bola. Pengujian akurasi deteksi bola dilakukan dengan cara membandingkan hasil deteksi oleh robot dengan gambar aktual bola. Setiap warna hasil deteksi bola akan dibandingkan dengan warna aktual bola. Setiap kali percobaan dianggap sebagai satu sample data. 2. Pengujian sistem pengenalan bola. Pengujian sistem pengenalan bola oleh robot dilakukan dengan memperhatikan apakah robot dapat mengenali bola dan objek penggangu didalam lapangan dan tidak mengenali bola yang berada di tepi atau diluar lapangan. Setiap kali percobaan dianggap sebagai satu sample data. 3.4 Cara Analisa Data 1. Akurasi deteksi bola. Akurasi deteksi bola diamati cara mengambil persentase keberhasilannya. P = Σ(S) Σ(D) 100% (3.4) Dimana P adalah persentase tingkat keberhasilan, S adalah data berhasil pendeteksian bola, D adalah jumlah pengambil data keseluruhan. Dari total data pengujian, data akan diambil persentase keberhasilannya, setiap proses yang mencakup proses pengujian deteksi bola secara keseluruhan dianggap sebagai satu data dari proses pengujian. 2. Akurasi pengenalan bola. Akurasi pengenalan bola oleh robot berdasarkan warna background lapangan diamati dengan menggunakan persentase keberhasilannya dengan persamaan (3.4). 16

30 BAB IV PENYAJIAN DATA 4.1 Pengujian Sistem Deteksi Bola Pada proses pengujian sistem deteksi warna bola digunakan bola tenis dengan empat (4) warna yang berbeda yaitu merah, kuning, oranye dan biru. Contoh bola yang digunakan ditunjukkan pada gambar 4.1 Gambar 4.1 Bola-bola Pengujian Sistem Deteksi Robot Sistem deteksi menggunakan proses color filtering dari ekstraksi ruang warna HSV untuk mendeteksi bola tenis warna oranye. Sintaks yang digunakan pada OpenCV seperti berikut: cvinranges (hsv, cvscalar (hbmin, sbmin, vbmin), cvscalar (hbmax, sbmax, vbmax), parseball); Parameter (hue, saturation, value) memiliki setiap batas filter dari nilai maksimum dan minimum. Untuk mendeteksi dari warna objek yang dipilih perlu melakukan pengaturan dari masing-masing parameter tersebut. Kemudian dilakukan pengujian terhadap parameter filter untuk warna oranye. Untuk data pengujian dapat dilihat pada tabel 4.1. Tabel 4.1 Parameter Nilai HSV Warna Oranye Pada Proses Color Filtering Objek Hue Max Hue Min Sat Max Sat Min Value Max Value min Bola(Orange)

31 Gambar 4.2 Hasil Proses Color Filtering Pada Bola Tenis Oranye Dalam pengujian, bola diletakan dengan jarak yang berbeda dari robot yaitu menggunakan jarak terjauh pada lapangan pengujian yang berada pada garis diagonal lapangan. Untuk data pengujian dapat dilihat pada tabel 4.2 Tabel 4.2 Hasil Pengujian Sistem Deteksi Bola Tenis Oranye Berdasarkan Jarak Pengujian Tingkat Keberhasilan Deteksi Bola Tenis Oranye Jarak (m) Warna Bola Aktual Deteksi Status Oranye Terdeteksi Berhasil 0.28 Merah Tidak Terdeteksi Berhasil Kuning Terdeteksi Tidak Berhasil Biru Tidak Terdeteksi Berhasil Oranye Terdeteksi Berhasil 0.57 Merah Terdeteksi Tidak Berhasil Kuning Tidak Terdeteksi Berhasil Biru Tidak Terdeteksi Berhasil Oranye Terdeteksi Berhasil 0.86 Merah Terdeteksi Tidak Berhasil Kuning Tidak Terdeteksi Berhasil Biru Tidak Terdeteksi Berhasil Oranye Terdeteksi Berhasil 1.15 Merah Terdeteksi Tidak Berhasil Kuning Tidak Terdeteksi Berhasil Biru Tidak Terdeteksi Berhasil Oranye Terdeteksi Berhasil 1.44 Merah Terdeteksi Tidak Berhasil Kuning Tidak Terdeteksi Berhasil Biru Tidak Terdeteksi Berhasil 1.73 Oranye Terdeteksi Berhasil Merah Terdeteksi Tidak Berhasil 18

32 Pengujian Tingkat Keberhasilan Deteksi Bola Tenis Oranye Jarak (m) Warna Bola Aktual Deteksi Status Kuning Tidak Terdeteksi Berhasil Biru Tidak Terdeteksi Berhasil Oranye Terdeteksi Berhasil 2.01 Merah Terdeteksi Tidak Berhasil Kuning Tidak Terdeteksi Berhasil Biru Tidak Terdeteksi Berhasil Oranye Terdeteksi Berhasil 2.30 Merah Terdeteksi Tidak Berhasil Kuning Tidak Terdeteksi Berhasil Biru Tidak Terdeteksi Berhasil Oranye Terdeteksi Berhasil 2.59 Merah Terdeteksi Tidak Berhasil Kuning Tidak Terdeteksi Berhasil Biru Tidak Terdeteksi Berhasil Oranye Terdeteksi Berhasil 2.88 Merah Terdeteksi Tidak Berhasil Kuning Tidak Terdeteksi Berhasil Biru Tidak Terdeteksi Berhasil Oranye Terdeteksi Berhasil 3.17 Merah Terdeteksi Tidak Berhasil Kuning Tidak Terdeteksi Berhasil Biru Tidak Terdeteksi Berhasil Oranye Terdeteksi Berhasil 3.46 Merah Terdeteksi Tidak Berhasil Kuning Tidak Terdeteksi Berhasil Biru Tidak Terdeteksi Berhasil Oranye Terdeteksi Berhasil 3.74 Merah Terdeteksi Tidak Berhasil Kuning Tidak Terdeteksi Berhasil Biru Tidak Terdeteksi Berhasil Oranye Terdeteksi Berhasil 4.03 Merah Terdeteksi Tidak Berhasil Kuning Tidak Terdeteksi Berhasil Biru Tidak Terdeteksi Berhasil Oranye Terdeteksi Berhasil 4.32 Merah Terdeteksi Tidak Berhasil Kuning Tidak Terdeteksi Berhasil Biru Tidak Terdeteksi Berhasil Oranye Terdeteksi Berhasil 4.61 Merah Tidak Terdeteksi Berhasil Kuning Tidak Terdeteksi Berhasil Biru Tidak Terdeteksi Berhasil 19

33 Pengujian Tingkat Keberhasilan Deteksi Bola Tenis Oranye Jarak (m) Warna Bola Aktual Deteksi Status Oranye Terdeteksi Berhasil 4.90 Merah Terdeteksi Tidak Berhasil Kuning Tidak Terdeteksi Berhasil Biru Tidak Terdeteksi Berhasil Oranye Terdeteksi Berhasil 5.19 Merah Tidak Terdeteksi Berhasil Kuning Tidak Terdeteksi Berhasil Biru Tidak Terdeteksi Berhasil Oranye Terdeteksi Berhasil 5.48 Merah Tidak Terdeteksi Berhasil Kuning Tidak Terdeteksi Berhasil Biru Tidak Terdeteksi Berhasil Oranye Terdeteksi Berhasil 5.76 Merah Tidak Terdeteksi Berhasil Kuning Tidak Terdeteksi Berhasil Biru Tidak Terdeteksi Berhasil Oranye Terdeteksi Berhasil 6.05 Merah Tidak Terdeteksi Berhasil Kuning Tidak Terdeteksi Berhasil Biru Tidak Terdeteksi Berhasil Oranye Terdeteksi Berhasil 6.34 Merah Tidak Terdeteksi Berhasil Kuning Tidak Terdeteksi Berhasil Biru Tidak Terdeteksi Berhasil Oranye Terdeteksi Berhasil 6.63 Merah Tidak Terdeteksi Berhasil Kuning Tidak Terdeteksi Berhasil Biru Tidak Terdeteksi Berhasil Oranye Terdeteksi Berhasil 6.92 Merah Tidak Terdeteksi Berhasil Kuning Tidak Terdeteksi Berhasil Biru Tidak Terdeteksi Berhasil Oranye Terdeteksi Berhasil 7.21 Merah Tidak Terdeteksi Berhasil Kuning Tidak Terdeteksi Berhasil Biru Tidak Terdeteksi Berhasil Berdasarkan tabel 4.2 data persentase keberhasilan dari sistem, menghitung jumlah data yang berhasil lalu dilakukan perhitungan sebagai berikut: P = = 84%

34 Dapat dilihat bahwa hasil persentase dari keberhasilan sistem pendeteksian bola tenis oranye ini sebesar 84%. Hal ini disebabkan oleh kedekatan jarak nilai HSV pada bola tennis warna merah dan oranye yang ditunjukkan citra RGB (gambar 4.3.a), citra HSV (gambar 4.3.b), dan citra binarisasi (thresholded) (gambar 4.3.c) (a) (b) (c) Gambar 4.3 Citra Bola (RGB, HSV, Threshold) Dari hasil gambar 4.3 dilakukan analisa nilai HSV pada region of interest (ROI) dari bola tennis warna oranye dan merah yang kemudian ditunjukkan pada gambar 4.4. Gambar 4.4 Nilai HSV Pada Bola Tennis Oranye Dan Merah Hasil nilai HSV pada kedua bola tersebut terdapat kedekatan nilai pada parameter saturation: dan value: yang menyebabkan bola tennis merah masih terdeteksi pada jarak pengujian meter. 21

35 4.2 Pengujian Sistem Pengenalan Bola Pada proses pengujian sistem pengenalan bola dilakukan dua jenis pengujian yaitu terhadap posisi dan ukuran bola. Prosedur pengujian posisi bola, dilakukan dengan cara meletakkan bola berada didalam (gambar 4.5.a), tepi (gambar 4.5.b), dan luar lapangan (gambar 4.5.c) untuk melihat ketepatan robot dalam mengenali bola. Pengenalan posisi bola berkaitan terhadap filterisasi warna background lapangan. Berikut adalah hasil proses pengenalan bola pada posisi tertentu: (a) (b) (c) Gambar 4.5 Posisi bola pada posisi tertentu Berdasarkan beberapa gambar diatas sistem telah berhasil mengenali posisi bola yang hanya berada didalam lapangan. Pengujian selanjutnya dilakukan dengan cara meletakkan beberapa objek penganggu ukuran berbeda dan berwarna oranye didalam lapangan untuk melihat ketepatan robot dalam mengenali bola. Berikut adalah hasil proses pengenalan bola terhadap beberapa objek penggangu: 22

36 (a) Gambar 4.6 Hasil Proses Pengenalan Bola Dengan Objek Bukan Bola (b) (a) (b) (c) Gambar 4.7 Hasil Proses Pengenalan Bola 4.3 Pengujian Tingkat Keberhasilan Deteksi Bola Berdasarkan Intensitas Cahaya Pada proses pengujian ini, tingkat keberhasilan pendeteksian bola akan dilakukan berdasarkan intensitas cahaya tertentu. Prosedur yang dilakukan dalam pengujian ini, dengan 23

37 meletakan robot dan bola yang berjarak 1 meter (gambar 4.6) setelah itu dilakukan proses pengujian terhadap intensitas cahaya yang berbeda agar dapat diketahui sistem pendeteksian dapat bekerja dengan baik atau tidak. Gambar 4.8 Pengujian Deteksi Robot Berdasarkan Intensitas Cahaya Sistem dapat dikatakan baik apabila pada proses pengujian berdasarkan intensitas cahaya yang berbeda robot mampu mendeteksi objek. Berikut di bawah ini adalah hasil pengujian pendeteksian objek berdasarkan intensitas cahaya tertentu: Tabel 4.3 Pengujian Tingkat Keberhasilan Deteksi Bola Beradasarkan Intensitas Cahaya Pengujian Tingkat Keberhasilan Deteksi Bola Tenis Oranye Intensitas Cahaya (lux) Deteksi 2.61 Tidak Terdeteksi 8.25 Tidak Terdeteksi Terdeteksi 25.6 Terdeteksi 52.5 Terdeteksi Terdeteksi 303 Terdeteksi 831 Terdeteksi 1412 Tidak Terdeteksi 1966 Tidak Terdeteksi Berdasarkan tabel 4.3 dapat dilihat bahwa sistem mampu mendeteksi objek pada intensitas cahaya lux. Pada saat nilai nilai intensitas cahaya bernilai lux (gelap) atau lebih dari ( ) 1412 lux (terang sekali) sistem tidak mampu mendeteksi objek. 24

38 Hal tersebut dikarenakan pada intensitas cahaya yang gelap atau terang sekali, proses ekstrasi dari color filtering tidak dapat bekerja dengan baik. Jadi dapat disimpulkan bahwa sistem ini dapat digunakan pada pertandingan robocup yang memiliki standar luminasi lapangan yang konstan dengan penerangan yang cukup. 4.4 Pengujian Kecepatan Mencari Bola Pada proses pengujian ini tingkat keberhasilan pendeteksian objek akan dilakukan berdasarkan parameter derajat searching dan jarak tertentu. Prosedur yang dilakukan dalam pengujian ini meletakan bola pada sudut 90 dan robot diletakan sesuai dengan jarak dan derajat tertentu terhadap bola. Robot akan berputar ditempat dengan putaran berlawanan arah jarum jam dengan kecepatan putar derajat/sekon untuk mencari bola. Pengambilan data waktu yang diperlukan robot untuk mendeteksi bola terhadap derajat dan jarak tertentu ditunjukan oleh gambar 4.7. Gambar 4.9 Pengujian Kecepatan Mencari Bola Setelah itu dilakukan proses pengujian terhadap waktu yang diperlukan robot untuk mendeteksi bola agar dapat diketahui sistem pendeteksian bekerja dengan baik atau tidak. Sistem dapat dikatakan baik apabila pada proses pengujian berdasarkan derajat searching dan jarak mampu mendeteksi objek dengan cepat. Berikut di bawah ini adalah hasil waktu pengujian dalam pendeteksian objek berdasarkan derajat searching dan jarak tertentu: Tabel 4.4 Pengujian Waktu Searching Bola Jarak Waktu Searching (s) (cm)

39 Time (s) Jarak Waktu Searching (s) (cm) Adapun hasil pengujian kecepatan mencari bola dapat dilihat pada grafik berikut yang diambil pada keseluruhan jarak dan derajat pengujian: Grafik Pengujian Waktu Searching Bola Derajat Searching ( ) 50 cm 75 cm 100 cm 125 cm 150 cm 175 cm 200 cm 225 cm 250 cm Gambar 4.10 Grafik Pengujian Kecepatan Mencari Bola Berdasarkan tabel 4.4 kecepatan rata-rata proses pencarian bola dalam derajat dan jarak pengujian dilakukan dengan menjumlahkan keseluruhan data dibagi jumlah pengambilan data, maka dilakukan perhitungan sebagai berikut: x = = 6.76 s Sehingga dapat diketahui bahwa rata-rata waktu yang diperlukan robot untuk mencari bola adalah 6.6s. Pengujian selanjutnya 4.5 Pengujian Kecepatan Sistem Perangkat Keras Dalam sistem pengolahan citra, kecepatan proses dari perangkat keras sangat berpengaruh terhadap kecepatan proses dari perangkat lunak, sehingga dilakukan 26

40 pemantauan terhadap kinerja proses persentase penggunaan CPU ketika sebelum dan setelah sistem diaktifkan. Gambar 4.11 Persentase Pemakaian CPU Sebelum Sistem diaktifkan Gambar 4.12 Persentase Pemakaian CPU Setelah Sistem diaktifkan Adapun hasil pengujian kecepatan perangkat keras dapat dilihat pada grafik berikut yang diambil pada saat sebelum dan setelah sistem diaktifkan Grafik Pemakaian CPU 40.00% 35.00% 30.00% 25.00% 20.00% 15.00% 10.00% 5.00% 0.00% CPU 1 CPU 2 CPU 3 CPU 4 Before After Gambar 4.13 Grafik Perbandingan Pemakaian CPU Berdasarkan data tersebut dapat dilihat ketika sistem diaktifkan bahwa pemakaian CPU mengalami kenaikan persentase % pada masing-masing core CPU. Setelah mengetahui kecepatan proses dari perangkat keras, maka dilakukan pengujian terhadap 27

41 perangkat lunak. Pengujian fps (frame per second) dilakukan dengan cara mengaktikfkan keseluruhan sistem deteksi dan pengenalan bola sehingga diambil kecepatan proses pengambilan gambarnya. Gambar 4.14 Frame per second dari Robot Berdasarkan gambar diatas dapat diketahui bahwa kecepatan rata-rata fps adalah fps. Sehingga dapat diketahui pengaruh sistem yang dibuat terhadap pengaruh keseluruhan kecepatan perangkat yang digunakan. 4.6 Pengujian Sistem Secara Keseluruhan Pengujian ini dilakukan dengan mengaktifkan sistem deteksi bola dan sistem pengenalan bola secara keseluruhan. Untuk mengetahui tingkat keberhasilan sistem ini maka dilakukan proses pengujian secara acak sebanyak 50 kali dan didapatkan bahwa sistem mampu mendeteksi objek secara keseluruhan sebanyak 46 kali percobaan dan 4 kali gagal mengenali bola. Tabel 4.5 Hasil Pengujian Sistem Keseluruhan Pengujian Sistem Keseluruhan Pengujian Hasil Pengujian Hasil 1 Berhasil 26 Berhasil 2 Berhasil 27 Gagal 3 Gagal 28 Berhasil 4 Berhasil 29 Berhasil 5 Berhasil 30 Berhasil 6 Berhasil 31 Berhasil 7 Gagal 32 Berhasil 28

42 Pengujian Sistem Keseluruhan Pengujian Hasil Pengujian Hasil 8 Berhasil 33 Berhasil 9 Berhasil 34 Berhasil 10 Berhasil 35 Berhasil 11 Berhasil 36 Berhasil 12 Berhasil 37 Berhasil 13 Berhasil 38 Berhasil 14 Berhasil 39 Berhasil 15 Berhasil 40 Berhasil 16 Berhasil 41 Berhasil 17 Berhasil 42 Berhasil 18 Berhasil 43 Berhasil 19 Berhasil 44 Berhasil 20 Berhasil 45 Berhasil 21 Berhasil 46 Berhasil 22 Gagal 47 Berhasil 23 Berhasil 48 Berhasil 24 Berhasil 49 Berhasil 25 Berhasil 50 Berhasil Berdasarkan tabel 4.5, data jumlah persentase keberhasilan dari pengujian keseluruhan sistem ini dilakukan perhitungan sebagai berikut: P = = 92% 50 Sehingga pengujian total keseluruhan sistem yang dilakukan secara acak, didapat persentase keberhasilan sistem adalah 92%. 4.7 Analisa Sistem Pada bagian ini akan dibahas analisa pada saat dilakukan pengujian sistem deteksi secara keseluruhan. Jumlah pengambilan data yang dilakukan secara acak dari 50 data terdapat 4 kali proses yang mengalami gagal. Sebuah robot soccer humanoid mempunyai pandangan kamera beraneka ragam yang menyebabkan sudut perspektif robot pada saat memandang bola yang berada di tepi lapangan mengalami kesalahan dalam mengenali bola. 29

43 Gambar 4.15 Posisi Pandangan Robot Terhadap Bola Ketika robot berada pada posisi seperti ditunjukkan pada Gambar 4.13, pandangan kepala robot terhadap lapangan mengalami kekeliruan dalam mendeteksi background warna lapangan. Sehingga robot akan menganggap objek tersebut bola yang akan dituju untuk dilakukan keputusan selanjutnya. Hasil dari proses pengenalan bola yang gagal akibat dari pendeteksian warna background lapangan dapat dilihat pada Gambar Gambar 4.16 Hasil Sistem Pengenalan Bola yang Gagal. Kondisi ini hanya akan terjadi kesalahan deteksi bola sesaat, dikarenakan behavior dari sebuah robot humanoid soccer pada saat mengenali bola maka badan robot berputar dengan orientasi menghadap bola sehingga bola akan tereleminasi dari algoritma sistem ini. Hal ini disebabkan pandangan kamera dari robot menjadi lurus terhadap bola (Gambar 4.15). Gambar 4.17 Hasil Sistem Pengenalan Bola yang Benar 30

44 BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan Berdasarkan hasil dan analisa sistem deteksi dan pengenalan bola pada robot Barelang FC dapat disimpulkan bahwa: 1. Deteksi warna bola tennis oranye berdasarkan ekstrasi HSV pada lapangan pengujian 6 x 4 meter memiliki persentase keberhasilan 84%, hal ini disebabkan oleh, kedekatan nilai dari parameter saturation: dan value: pada bola tennis oranye dan merah pada jarak pengujian meter. 2. Hasil persentase keberhasilan sistem pengenalan bola berdasarkan warna dan ukuran bola (library cvblob) serta background warna lapangan adalah 92% dengan kondisi perubahan intensitas cahaya lux. 5.2 Saran Dari kesimpulan dan untuk sistem lebih lanjut kedepannya perlu ditambahkan beberapa saran sebagai berikut 1. Optimalisasi keakurasian deteksi bola dapat dilakukan dengan menambahkan ekstraksi dari bentuk bola. Pada deteksi background lapangan lebih baik berdasarkan kontur dari garis luar. 2. Menggunakan kamera yang memiliki kualitas lebih tinggi serta lensa cembung (wide lens) jika ingin meningkatkan sensitifitas dan jangkauan lebih jauh dalam pembacaan terhadap bola. 31

45 DAFTAR PUSTAKA [1] Calvinsan Pratama Dewangga, Sistem Deteksi Bola, Gawang, Dan Kostum Pada Robot Barelang FC Menggunakan Machine Vision, Buku Tugas Akhir Diploma IV, Jurusan Mekatronika, Politeknik Negeri Batam, [2] Muhammad Anwar Ma sum, Dean Zaka Hidayat, Optimasi Pencarian Objek Bola Pada Robot Soccer Humanoid Menggunakan Metode Hough Transform. Indonesian Symposium on Robot Soccer Competition [3] Dhiemas, R.Y.S Pencarian Posisi Robot: Studi Kasus Pencarian Sumber Kebocoran Gas.(Online).( Diakses Tanggal 17 April 2016 [4] Kadir, Abdul, Teori dan Aplikasi Pengolahan Citra., Andi, Yogyakarta, [5] Purnomo, Mauridhi Hery dan Muntasa, Arif, Konsep Pengolahan Citra Digital dan Ekstraksi Fitur, Edisi Pertama, Graha Ilmu, Yogyakarta, [6] Soebhakti, Hendawan. Pengembangan Sistem Navigasi Natural Landmark-Based pada Security Mobile Robot. M.T. Tesis. Institut Teknologi Sepuluh November. Surabaya [7] Gentang Syabba Nahla, Tracking Bola Menggunakan Robotino Buku Tugas Akhir Diploma IV, Jurusan Teknik Informatika, Politeknik Elektronika Negeri Surabaya,

46 LAMPIRAN A. Listing Program Sistem Deteksi Bola Berdasarkan Warna Bola Dan Warna Background Lapangan #ifndef BARELANGFC_VISION_H_ #define BARELANGFC_VISION_H_ #include "opencv2/opencv.hpp" #include "BlobResult.h" #include <unistd.h> #include <opencv/cv.h> #include <opencv/highgui.h> #include <opencv/cxcore.h> namespace BarelangFC{ class BarelangVision{ private: CvCapture *cap; // Camera config char key; bool helptext; int loadlowh, loadhighh, loadlows, loadhighs, loadlowv, loadhighv, loadesize, loaddsize, loadblob, ilowh, ihighh, ilows, ihighs, ilowv, ihighv, iesize, idsize, iblobsize, hbmin, hbmax, sbmin, sbmax, vbmin, vbmax, ebsize, dbsize, bblob, hfmin, hfmax, sfmin, sfmax, vfmin, vfmax, efsize, dfsize, fblob, int XBmin, XBmax, YBmin, YBmax, Xb, Yb, pointb1, pointb2, pointb3, pointb4, countpointgreenb, pointg1, pointg2, pointg3, pointg4, countpointgreeng, numbblobs, numfblobs, tstep, mode; CBlob ball, goal; CBlob *field; CBlobResult ballblobs, fieldblobs; CvMemStorage* storage; CvSeq* lines; CvPoint ptf1, ptf2, ptb1, ptb2; CvRect rectfield; CvMat* threshold_matrix; CvFileStorage* temp; public: int Ball_X, Ball_Y, Goal; int lastball_x, lastball_y; IplImage *source; IplImage *camsource; IplImage *hsv; // Output hitam putih 33

47 } #endif }; IplImage *parseball; IplImage *parsefield; void destroywindow(); void showwindow(iplimage* thresh); void loadtrackbars(int modeload); void createtrackbars(int modecreate); void help(); void initialize(); void loadconfig(); void saveconfig(); void processing(bool stream); void keluar(); #include <stdio.h> #include <iostream> #include "BarelangFC-Vision.h" #define x_size 320 #define y_size 240 using namespace BarelangFC; using namespace std; using namespace cv; void BarelangVision::help() { printf("\n barelangfc-vision "); printf("\nparse Ball [B]"); printf("\nparse Field [F]"); printf("\nsave Config [S]"); printf("\nload Config [L]"); printf("\nexit BarelangFC-Vision [ESC]"); printf("\n\n"); } void BarelangVision::createTrackbars(int modecreate) { if (modecreate==3) { cvnamedwindow("control", 0); //Create window cvcreatetrackbar("highh", "Control", &ihighh, 255); //Hue (0-255) cvcreatetrackbar("lowh", "Control", &ilowh, 255); cvcreatetrackbar("highs", "Control", &ihighs, 255); //Saturation (0-255) cvcreatetrackbar("lows", "Control", &ilows, 255); cvcreatetrackbar("highv", "Control", &ihighv, 255); //Value (0-255) cvcreatetrackbar("lowv", "Control", &ilowv, 255); cvcreatetrackbar("threshold", "Control", &hougha, 500); } else{ cvnamedwindow("control", 0); //Create window cvcreatetrackbar("highh", "Control", &ihighh, 255); //Hue (0-255) cvcreatetrackbar("lowh", "Control", &ilowh, 255); 34

48 } } cvcreatetrackbar("highs", "Control", &ihighs, 255); //Saturation (0-255) cvcreatetrackbar("lows", "Control", &ilows, 255); cvcreatetrackbar("highv", "Control", &ihighv, 255); //Value (0-255) cvcreatetrackbar("lowv", "Control", &ilowv, 255); cvcreatetrackbar("erode", "Control", &iesize, 10); cvcreatetrackbar("dilate", "Control", &idsize, 10); cvcreatetrackbar("blobs", "Control", &iblobsize, 20000); //5000 void BarelangVision::loadTrackbars(int modeload) { switch (modeload) { case 1: loadlowh = hbmin; loadlows = sbmin; loadlowv = vbmin; loadhighh = hbmax; loadhighs = sbmax; loadhighv = vbmax; loadesize = ebsize; loaddsize = dbsize; loadblob = bblob; break; case 2: loadlowh = hfmin; loadlows = sfmin; loadlowv = vfmin; loadhighh = hfmax; loadhighs = sfmax; loadhighv = vfmax; loadesize = efsize; loaddsize = dfsize; loadblob = fblob; break; default: break; } cvsettrackbarpos("highh", "Control", loadhighh); cvsettrackbarpos("lowh", "Control", loadlowh); cvsettrackbarpos("highs", "Control", loadhighs); cvsettrackbarpos("lows", "Control", loadlows); cvsettrackbarpos("highv", "Control", loadhighv); cvsettrackbarpos("lowv", "Control", loadlowv); cvsettrackbarpos("erode", "Control", loadesize); cvsettrackbarpos("dilate", "Control", loaddsize); cvsettrackbarpos("blobs", "Control", loadblob); printf("\nloaded\n"); } void BarelangVision::showWindow(IplImage* thresh){ cvnamedwindow("threshold", CV_WINDOW_AUTOSIZE ); cvshowimage("threshold", thresh); } void BarelangVision::destroyWindow(){ cvdestroywindow("control"); } void BarelangVision::initialize(){ //create matrix in file, uncommand this if you want to edit "threshold_matrix.xml" file //and dont forget to delete the "threshold_matrix.xml" file before playing./barelangfc 35

49 threshold_matrix = cvcreatemat(5,9,cv_32fc1); system("v4l2-ctl --set-ctrl focus_auto=0"); system("v4l2-ctl --set-ctrl white_balance_temperature_auto=1"); //system("v4l2-ctl --set-ctrl exposure_auto=1"); //system("v4l2-ctl --set-ctrl exposure_auto_priority=0"); helptext = true; source = cvcreateimage(cvsize(x_size,y_size),ipl_depth_8u,3); hsv = cvcreateimage(cvsize(x_size,y_size),ipl_depth_8u,3); parseball = cvcreateimage(cvsize(x_size,y_size),ipl_depth_8u,1); parsefield = cvcreateimage(cvsize(x_size,y_size),ipl_depth_8u,1); } cap = cvcreatecameracapture(0); if (!cap){ printf("video 0 not found"); cap= cvcreatecameracapture(1); if (!cap){ printf("video 1 not found"); } } cvsetcaptureproperty( cap, CV_CAP_PROP_FRAME_WIDTH, x_size ); cvsetcaptureproperty( cap, CV_CAP_PROP_FRAME_HEIGHT, y_size ); void BarelangVision::loadConfig(){ temp = cvopenfilestorage("threshold_matrix.xml",null,cv_storage_read); // Load the previous values of the threshold if they exist if(temp) { threshold_matrix = (CvMat*)cvLoad("threshold_matrix.xml"); //ball hbmax =(int) CV_MAT_ELEM(*threshold_matrix,float,0,0); hbmin =(int) CV_MAT_ELEM(*threshold_matrix,float,0,1); sbmax =(int) CV_MAT_ELEM(*threshold_matrix,float,0,2); sbmin =(int) CV_MAT_ELEM(*threshold_matrix,float,0,3); vbmax =(int) CV_MAT_ELEM(*threshold_matrix,float,0,4); vbmin =(int) CV_MAT_ELEM(*threshold_matrix,float,0,5); ebsize =(int) CV_MAT_ELEM(*threshold_matrix,float,0,6); dbsize =(int) CV_MAT_ELEM(*threshold_matrix,float,0,7); bblob =(int) CV_MAT_ELEM(*threshold_matrix,float,0,8); //field hfmax =(int) CV_MAT_ELEM(*threshold_matrix,float,1,0); hfmin =(int) CV_MAT_ELEM(*threshold_matrix,float,1,1); sfmax =(int) CV_MAT_ELEM(*threshold_matrix,float,1,2); sfmin =(int) CV_MAT_ELEM(*threshold_matrix,float,1,3); vfmax =(int) CV_MAT_ELEM(*threshold_matrix,float,1,4); vfmin =(int) CV_MAT_ELEM(*threshold_matrix,float,1,5); efsize =(int) CV_MAT_ELEM(*threshold_matrix,float,1,6); dfsize =(int) CV_MAT_ELEM(*threshold_matrix,float,1,7); fblob =(int) CV_MAT_ELEM(*threshold_matrix,float,1,8); } } 36

50 void BarelangVision::saveConfig(){ //ball *((float*)cv_mat_elem_ptr( *threshold_matrix, 0, 0 ) ) = hbmax; *((float*)cv_mat_elem_ptr( *threshold_matrix, 0, 1 ) ) = hbmin; *((float*)cv_mat_elem_ptr( *threshold_matrix, 0, 2 ) ) = sbmax; *((float*)cv_mat_elem_ptr( *threshold_matrix, 0, 3 ) ) = sbmin; *((float*)cv_mat_elem_ptr( *threshold_matrix, 0, 4 ) ) = vbmax; *((float*)cv_mat_elem_ptr( *threshold_matrix, 0, 5 ) ) = vbmin; *((float*)cv_mat_elem_ptr( *threshold_matrix, 0, 6 ) ) = ebsize; *((float*)cv_mat_elem_ptr( *threshold_matrix, 0, 7 ) ) = dbsize; *((float*)cv_mat_elem_ptr( *threshold_matrix, 0, 8 ) ) = bblob ; //field *((float*)cv_mat_elem_ptr( *threshold_matrix, 1, 0 ) ) = hfmax; *((float*)cv_mat_elem_ptr( *threshold_matrix, 1, 1 ) ) = hfmin; *((float*)cv_mat_elem_ptr( *threshold_matrix, 1, 2 ) ) = sfmax; *((float*)cv_mat_elem_ptr( *threshold_matrix, 1, 3 ) ) = sfmin; *((float*)cv_mat_elem_ptr( *threshold_matrix, 1, 4 ) ) = vfmax; *((float*)cv_mat_elem_ptr( *threshold_matrix, 1, 5 ) ) = vfmin; *((float*)cv_mat_elem_ptr( *threshold_matrix, 1, 6 ) ) = efsize; *((float*)cv_mat_elem_ptr( *threshold_matrix, 1, 7 ) ) = dfsize; *((float*)cv_mat_elem_ptr( *threshold_matrix, 1, 8 ) ) = fblob ; cvsave("threshold_matrix.xml",threshold_matrix); printf("\nsaved\n"); } void BarelangVision::processing(bool stream){ // Grab From Cam source = cvqueryframe(cap); // Covert color space to HSV as it is much easier to filter colors in the HSV color space. cvcvtcolor(source, hsv, CV_BGR2HSV); // Filter out colors which are out of range. cvinranges(hsv,cvscalar(hbmin, sbmin, vbmin), cvscalar(hbmax, sbmax, vbmax), parseball); //Threshold the image cvinranges(hsv,cvscalar(hfmin, sfmin, vfmin), cvscalar(hfmax, sfmax, vfmax), parsefield); //Threshold the image //Erosion cverode (parseball,parseball,0,ebsize); cverode (parsefield,parsefield,0,efsize); // Dilation cvdilate (parseball,parseball,0,dbsize); cvdilate (parsefield,parsefield,0,dfsize); tstep = parsefield->widthstep; // Find the white blobs in the thershold ballblobs = CBlobResult(parseball, NULL, 0 ); 37

51 fieldblobs = CBlobResult(parsefield, NULL, 0 ); // Exclude all white blobs smaller than the given value (80) // The bigger the last parameter, the bigger the blobs need to be for inclusion ballblobs.filter( ballblobs, B_EXCLUDE, CBlobGetArea(), B_GREATER, bblob ); fieldblobs.filter( fieldblobs, B_EXCLUDE, CBlobGetArea(), B_LESS, fblob ); // Get the number of blobs discovered numbblobs = ballblobs.getnumblobs(); numfblobs = fieldblobs.getnumblobs(); //printf("number blobs = %d\n",numbackblobs); ///////////////////////////////////////////////////////// /////////////////////FIELD FILTERING////////////////////// ////////////////////////////////////////////////////////// if(numfblobs > 0) { field = fieldblobs.getblob(0); // Attach bounding rect to blob in orginal video input rectfield = field->getboundingbox(); ptf1.x = rectfield.x; ptf1.y = rectfield.y; ptf2.x = rectfield.x + rectfield.width; ptf2.y = rectfield.y + rectfield.height; cvrectangle(source, ptf1, ptf2, CV_RGB(0, 255, 0), 2, 8, 0); //printf("nilai : %d, %d\n", cvrect.x,cvrect.y); } else { ptf1.x = ptf1.y = ptf2.x = ptf2.y = -1; } ////////////////////////////////////////////////////////// /////////////////////BALL FILTERING/////////////////////// ////////////////////////////////////////////////////////// if(numfblobs > 0 && numbblobs > 0) { ball=ballblobs.getblob(numbblobs-1); ptb1.x=ball.minx()-2; ptb1.y=ball.miny()-2; ptb2.x=ball.maxx()+2; ptb2.y=ball.maxy()+2; A = (ptb2.x-ptb1.x) * (ptb2.y-ptb1.y); diff = (ptb2.x-ptb1.x) - (ptb2.y-ptb1.y); /*printf("ball (%d, %d) (%d, %d)\n", ptb1.x, ptb1.y, ptb2.x, ptb2.y); printf("field (%d, %d) (%d, %d)\n", ptf1.x, ptf1.y, ptf2.x, ptf2.y);*/ { if(ptb1.x > ptf1.x && ptb1.y > ptf1.y && ptb2.x < ptf2.x && ptb2.y < ptf2.y) //inside field algorithm pointb1 = parsefield->imagedata[ptb1.y*tstep+ptb1.x]; pointb2 = parsefield->imagedata[ptb1.y*tstep+ptb2.x]; pointb3 = parsefield->imagedata[ptb2.y*tstep+ptb2.x]; pointb4 = parsefield->imagedata[ptb2.y*tstep+ptb1.x]; 38

52 1) { if(pointb1 == - 1 pointb2 == -1 pointb3 == - 1 pointb4 == - countpointgreenb++; } else { countpointgreenb = 0; } if (countpointgreenb > 0) { cvrectangle(source, ptb1, ptb2, CV_RGB(255, 0, 0), 2, 8, 0); Ball_X = (ptb2.x + ptb1.x)/2; Ball_Y = (ptb2.y + ptb1.y)/2; lastball_x = Ball_X; lastball_y = Ball_Y; } else { Ball_X = Ball_Y = -1.0; countpointgreenb = 0; } }else { Ball_X = Ball_Y = -1.0; countpointgreenb = 0; } }else { Ball_X = Ball_Y = -1.0; ptb1.x = ptb1.y = ptb2.x = ptb2.y = -1; countpointgreenb = 0; } //printf("ball_x : %d, ball_y : %d \n", Ball_X, Ball_Y); if (stream) { cvshowimage("camera", source); if (helptext) { help(); helptext = false;} switch (mode) { case 1: hbmin = ilowh; sbmin = ilows; vbmin = ilowv; hbmax = ihighh; sbmax = ihighs; vbmax = ihighv; ebsize = iesize; dbsize = idsize; bblob = iblobsize; showwindow(parseball); break; case 2: hfmin = ilowh; sfmin = ilows; vfmin = ilowv; hfmax = ihighh; sfmax = ihighs; vfmax = ihighv; efsize = iesize; dfsize = idsize; fblob = iblobsize; showwindow(parsefield); break; default: break; } key = cvwaitkey(10); if (char(key) == 27) { //break; } //If you hit ESC key loop will break. else if (char(key) == 98 char(key) == 66) { //b or B 39

53 } } ilowh = hbmin; ilows = sbmin; ilowv = vbmin; ihighh = hbmax; ihighs = sbmax; ihighv = vbmax; iesize = ebsize; idsize = dbsize; iblobsize = bblob; destroywindow(); createtrackbars(1); mode = 1; printf("ball\n"); } else if (char(key) == 102 char(key) == 70) { //f or F ilowh = hfmin; ilows = sfmin; ilowv = vfmin; ihighh = hfmax; ihighs = sfmax; ihighv = vfmax; iesize = efsize; idsize = dfsize; iblobsize = fblob; destroywindow(); createtrackbars(2); mode = 2; printf("field\n"); } else if (char(key) == 108 char(key) == 76) { //l or L loadconfig(); loadtrackbars(mode); } else if (char(key) == 115 char(key) == 83) { //s or S saveconfig(); //printf("saved\n"); } void BarelangVision::keluar(){ cvreleasecapture(&cap); cvreleasememstorage(&storage); } 40

54 LAMPIRAN B. Intel NUC D34010WYK2 41

55 BIOGRAFI PENULIS Nama : Hanjaya Mandala Tempat/tanggal lahir : Batam, 17 Nopember 1995 Agama : Kristen Protestan Alamat Rumah : Komplek Golden Land Blok D No.19, Batam Centre, Kec. Batam Kota, Batam hanjaya_mandala@yahoo.com Riwayat Pendidikan : 1. SMK Negeri 1 Batam 2. SMP Negeri 12 Batam 3. SD Negeri 001 Batam 4. TK Tunas Baru Batam 42