Model Otomasi Penyortir Warna Barang dengan Metode Thresholding dan Bentuk Barang dengan Metode Pengenalan Pola

Transkripsi

1 12 ISSN (print) Electrical Engineering Journal Vol. 5 (2014) No. 1, pp Model Otomasi Penyortir Warna Barang dengan Metode Thresholding dan Bentuk Barang dengan Metode Pengenalan Pola Muliady dan Bryan Alexander Jurusan Teknik Elektro, Universitas Kristen Maranatha, Bandung Jl. Suria Sumantri 65, Bandung 40164, Indonesia mld_ang@yahoo.com, c0n4n_v@yahoo.com Abstrak: Model adalah replika sistem yang dapat merepresentasikan sistem sebenarnya. hanya digunakan untuk proses pembelajaran, model juga diperlukan untuk simulasi dan analisis dalam rangka perancangan suatu sistem produksi di industri. Pada penelitian ini, dibuat suatu model otomasi sistem sortir barang berdasarkan warna dan bentuknya. Dengan citra (bitmap) yang ditangkap webcam saat barang yang masuk terdeteksi sensor proximity, program Flowstone dalam komputer akan mendeteksi warnanya dengan metoda thresholding dalam parameter HSV, kemudian mengenali bentuknya dengan metoda pengenalan pola yaitu dengan mengecek tiap pixel pada seluruh sisi/tepi bentuk yang diinginkan serta mengecek panjang & lebar atau diameter objek dari citra yang didapat, dan selanjutnya mengirimkan sinyal kontrol ke mikrokontroler ATmega16 untuk mengendalikan aktuator motor servo sehingga barang tersebut dapat diarahkan ke tempat yang sesuai dengan hasil identifikasi. Dari hasil pengamatan data, error pendeteksian warna merah, hijau dan biru masing masing sebesar 8,33%, 4,17% dan 16,67%. Bentuk persegi panjang dikenali dalam rentang panjang 7,9cm 8,4cm, sementara bentuk lingkaran dikenali dalam rentang diameter 3cm 3,4cm. Bentuk jajar genjang, trapesium, dan segitiga dapat dikenali sebagai bentuk bukan persegi panjang dan lingkaran. Kata kunci: Konveyor, Flowstone, Metode Thresholding, Metode Pengenalan Pola. Abstract: Model is a replication of a system that can represent the actual system. Not only used for learning process, a model is needed for simulation and analysis in order to design a production system in industry. In this research, it is designed an automation model of objects sorter system based-on its color and shape. Using image data (bitmap) that captured by webcam, Flowstone program in a computer will detect the color using thresholding method in HSV parameter, then recognize the shape using pattern recognition method by check every pixel on the whole edge of the desire shape, also check the object length & width or diameter of the image, and next, send control signal to ATmega16 microcontroller to control servo motor actuator so the object can be directed to the appropriate place with the result of identification. From the results of data observation, the percentage of error in detecting the red, green and blue color each one is 8.33%, 4.17% and 16.67%. For rectangular objects can be recognized with length in range of 7.9cm to 8.4cm, while for circular objects can be recognized

2 MODEL OTOMASI PENYORTIR WARNA BARANG DENGAN METODE THRESHOLDING 13 with diameter in range of 3cm to 3.4cm. Parallelogram, trapezoid, and triangle can be recognized as a shape of not rectangular and not circular Keywords: Conveyor, Flowstone, Thresholding Method, Pattern Recognition Method I. PENDAHULUAN Perindustrian merupakan salah satu sektor yang sangat berpengaruh dalam tingkat kesejahteraan dalam suatu negara, karena itu perlu untuk mengembangkan sistem sistem yang membangun keseluruhan proses produksi dalam industri industri. Tentu saja, proses pembelajaran serta uji coba merupakan hal yang diperlukan untuk dapat mengembangkan sistem sistem tersebut. Sayangnya, kegagalan atau error yang terjadi adalah hal yang sulit dihindari dalam proses tersebut. Sedangkan dalam proses produksi di industri, tentunya tidak diinginkan terjadi banyak kegagalan atau error yang dapat merugikan perusahaan. Maka dari itu diperlukan suatu model yang dapat merepresentasikan suatu sistem yang sebenarnya, supaya dapat dipakai untuk proses pembelajaran serta uji coba yang tidak boleh dilakukan pada sistem sebenarnya dalam industri. Kasus penyotiran barang dalam proses produksi sering menjadi suatu topik yang banyak dibahas pada bagian pemantau mutu produksi. Pada penelitian ini, akan dibahas masalah penyortiran barang berdasarkan warna dan bentuk. Model yang direalisasi dapat berguna untuk proses pembelajaran serta simulasi. II. METODE PENELITIAN Flowstone merupakan bahasa pemrograman Graphical, tanpa coding, sehingga sangat memudahkan penggunanya terutama pengguna yang tidak menyukai coding. Flowstone dapat digunakan untuk membuat aplikasi pengolahan sinyal digital secara real time, robotika, mekatronika, HMI, SCADA, audio analisis, dan lain lain. [1] Secara konsep, Flowstone sangatlah sederhana. Software ini sudah menyediakan beberapa komponen yang langsung dapat digunakan. Setiap komponen memiliki fungsi yang berbeda. Sebuah komponen dapat mengambil data yang masuk, memproses data tersebut, serta mengeluarkan data tersebut menjadi sebuah output. Sebuah komponen memiliki input atau output atau keduanya. Beberapa komponen yang sudah tersedia pada Flowstone dapat digabungkan dan dibuat ke dalam sebuah modul yang fungsinya dapat disesuaikan dengan kebutuhan. Program library Flowstone memiliki lebih dari 436 komponen (dalam toolbox) yang mempunyai fungsi khusus, dan beberapa diantaranya merupakan modul yang dibangun dari beberapa komponen dasar untuk melakukan fungsi tertentu. Komponen komponen ini dapat digunakan untuk melakukan perhitungan matematika, mendeteksi wajah, melacak objek bergerak, mendeteksi warna, menampilkan GUI dan masih banyak lagi. [2] Berikut ini adalah beberapa metoda pemrosesan citra yang digunakan pada penelitian ini menggunakan Flowstone. II.1. Konversi RGB ke HSV RGB adalah suatu model warna yang terdiri dari 3 buah warna, yaitu merah, hijau, dan biru, yang ditambahkan untuk menghasilkan bermacam-macam warna, ketiga berkas cahaya ditambahkan bersama-sama, dengan menambahkan panjang gelombang untuk membuat

3 14 ELECTRICAL ENGINEERINGG JOURNAL, VOL. 5, NO. 1, OCTOBER 2014 spektrum warna akhir. Gambar representasi penambahan ketiga komponen warna RGB dapat dilihat pada Gambar 1. HSV merupakan kependekan dari Hue, Saturation, dan Value. Gambar representasi ketiga parameter HSV dapat dilihat padaa Gambar 2. Karakteristik pokok dari warna tersebut adalah: 1. Hue. Menyatakan warna sebenarnya, seperti merah, violet, dan kuning. Digunakan untuk menentukan kemerahan, kehijauan, dan sebagainya dari cahaya. 2. Saturation. Terkadang sering disebut chroma, menyatakan tingkat kemurnian suatu warna, yaitu mengindikasikan seberapa banyak warna putih diberikan pada warna. 3. Value. Menyatakan kecerahan dari warna. Nilainya berkisar 0-100%. Apabila nilainya 0, maka warna akan menjadi gelap, semakin besar nilai maka akan semakin cerah dan akan muncul variasi-variasi baru dari warna tersebut. Gambar 1. Representasi penambahan ketiga komponen warna RGB Gambar 2. Representasi warna HSV Konversi model warnaa RGB ke HSV dapat dilakukan dengan menggunakan persamaan berikut [3] : Cmax = max(r,g,b) (1) Cmin = min(r,g,b) (2) Δ = Cmax Cmin (3) 60, 60 2, 60 4, 0, Δ 0 255, Keterangan: nilai R, G, B adalah dalam rentang nilai H dalam rentang 0-360, S & V dalam rentang (4) (5) (6) Konversi model warnaa pada Flowstone dapat dilakukan dengan dua komponen dasar yaitu Int to Color dilanjutkan Color to HSV [4]. Dua komponen tersebut akan mengkonversi nilai RGB suatu warna ke dalam nilai HSV dari warna tersebut. Penggunaan komponen tersebut dalam Flowstone adalah seperti ditunjukkan Gambar 3. ISSN:

4 MODEL OTOMASI PENYORTIR WARNA BARANG DENGAN METODE THRESHOLDING 15 Gambar 3. Konversi RGB ke HSV dalam Flowstone [4] Penjelasan: I2C (Int to Colour): membuat suatu warna dengan spesifikasi nilai - nilai parameter RGB (0-255) yang dimasukkan. [4] C2HS (Colour to HSV): mengeluarkan nilai nilai parameter Hue (0-360), Saturation (0-255), Value (0-255) dari suatu warna yang dimasukkan [4]. II.2. Metoda Thresholding Thresholding adalah metoda yang paling sederhana untuk melakukan segmentasi citra. Contoh aplikasinya adalah memisahkan suatu daerah dari suatu gambar sesuai dengan objek yang ingin dianalisis. Pemisahan ini didasarkan pada variasi intensitas antara pixel objek dan pixel objek lainnya. Untuk membedakan pixel-pixel yang akan dianalisa, dilakukanlah suatu perbandingan dari setiap nilai intensitas pixel menurut nilai ambang yang telah ditentukan. Setelah dipisahkan antara pixel penting dan pixel yang akan dibuang, maka diaturlah nilai pixel tersebut menjadi nilai 0 (hitam) untuk pixel yang akan di buang, dan 255 (putih) untuk pixel yang akan dianalisa. Persamaan umum proses thresholding dapat dilihat pada Persamaan 7. [5] 0,,, 1,, (7) Contoh gambar hasil proses thresholding dapat dilihat pada Gambar 4. Gambar 4. Contoh gambar asli (kiri) dan hasil thresholding (kanan) Pada pemrograman Flowstone, proses thresholding gambar seperti contoh Gambar 4 dapat dilakukan dengan menggunakan komponen Color Detect. Penggunaan komponen tersebut dalam Flowstone adalah seperti Gambar 5.

5 16 ELECTRICAL ENGINEERING JOURNAL, VOL. 5, NO. 1, OCTOBER 2014 Gambar 5. Penggunaan komponen Colour Detect dalam Flowstone Color Detect berfungsi menemukan obyek dengan warna tertentu dalam gambar. Komponen ini menggunakan 2 buah threshold (batas ambang) yaitu lower threshold dan upper threshold, sehingga dapat memisahkan pixel yang hanya berada pada daerah di antara lower threshold dan upper threshold dari parameter Hue (0-360), Saturation (0-255), Value (0-255) warna yang diinginkan [4]. Persamaan umum proses thresholding pada modul color detect ini dapat dilihat pada Persamaan 8 [5]., 0,,, 1,, (8) Selain memberikan output gambar (hitam putih) seperti pada Gambar 5, juga dihasilkan spesifikasi warna, luas, dan koordinat titik tengah area warna terbesar yang terdeteksi. III. METODOLOGI PENELITIAN III.1. Perancangan dan Realisasi Perangkat Keras Perancangan model otomasi sistem sortir barang yang dibuat dalam penelitian ini dapat dilihat pada Gambar 6. Dengan bagian-bagian utama berupa motor servo continuous untuk menggerakkan konveyor, tiga buah motor servo untuk mengarahkan barang yang disortir, photo diode untuk mengetahui posisi barang berada di depan webcam, mikrokontroler ATmega16 sebagai perangkat interfacing antara komputer dengan sensor dan aktuator. Gambar 6. Model Sistem dilihat dari atas

6 MODEL OTOMASI PENYORTIR WARNA BARANG DENGAN METODE THRESHOLDING 17 Rancangan perangkat keras dalam diagram blok ditunjukkan pada Gambar 7. Kamera web dihubungkan ke komputer untuk memberikan informasi citra yang diambil selama sistem berjalan. Fotodioda sebagai sensor proximity berfungsi memberi tanda kepada program Flowstone di dalam komputer untuk mengambil citra barang yang sedang melintas di hadapan kamera web untuk diidentifikasi warna dan bentuknya. Citra yang telah ditangkap tersebut diidentifikasi warna dan bentuknya dalam program Flowstone, kemudian akan mengirimkan perintah kendali kepada mikrokontroler ATmega16 yang mengendalikan posisi motor servo, sehingga barang dapat disortir ke tempat yang sesuai dengan hasil identifikasi. Webcam Fotodioda Mikrokontroler ATmega 16 Komputer Motor Servo 1 (uncontinuous) Motor Servo 2 (uncontinuous) Motor Servo 3 (uncontinuous) Motor Servo 4 (continuous) Gambar 7. Diagram blok sistem sortir barang berdasarkan warna dan bentuknya Untuk itu, maka perancangan dan realisasi perangkat keras yang diperlukan dalam penelitian ini meliputi konveyor, kamera web dan sensor proximity, aktuator motor servo (dapat dilihat pada Gambar 8), serta skema rangkaian elektronika keseluruhan sistem yang dibuat dapat dilihat pada Gambar 9. Gambar 8. Tampilan fisik model dilihat dari samping

7 18 ELECTRICAL ENGINEERING JOURNAL, VOL. 5, NO. 1, OCTOBER 2014 Gambar 9. Skema rangkaian elektronika sistem yang dibuat

8 MODEL OTOMASI PENYORTIR WARNA BARANG DENGAN METODE THRESHOLDING 19 III.2. Perancangan dan Realisasi Perangkat Lunak Pengendalian seluruh sistem sortir barang berdasarkan warna dan bentuk dibutuhkan program pendukung pada mikrokontroler ATmega16 dan program utama pada Flowstone. Program pendukung pada mikrokontroler ATmega16 akan melakukan inisialisasi terlebih dahulu, kemudian mengaktifkan fasilitas interrupt supaya setiap program interrupt yang digunakan di luar main program seperti interrupt eksternal, Rx interrupt dan timer interrupt dapat berjalan terus. Flowchart program utama pada mikrokontroler ATmega16 dapat dilihat pada Gambar 10. Program interrupt eksternal digunakan untuk menerima sinyal falling edge dari fotodioda setiap kali ada barang yang melewati fotodioda, kemudian mengirimkan data kepada program Flowstone sebagai trigger untuk mengambil citra serta proses identifikasi warna dan bentuk dari barang yang tengah melintas tersebut. Program Flowstone akan mengirimkan sinyal kontrol (data T_on) ke mikrokontroler ATmega16 untuk mengendalikan posisi tiap servo, dan program Rx interrupt digunakan untuk menerima data tipe char dari Flowstone menggunakan komunikasi serial USART sehingga dapat dikenali sebagai informasi T_on (tipe int) untuk mengatur T_on sinyal PWM yang harus diberikan kepada setiap motor servo. Selanjutnya, program timer interrupt digunakan untuk menghasilkan sinyal PWM sesuai informasi T_on (tipe int) yang diperoleh bagi masing masing motor servo. Pada penelitian ini, program utama sistem dibuat di dalam software Flowstone. Program utama ini harus dapat menampilkan GUI video dari kamera web setiap waktu, dan yang terutama adalah harus dapat mengidentifikasi warna dan bentuk objek dari citra yang tertangkap oleh kamera web, kemudian mengendalikan tiap motor servo supaya barang dapat diarahkan ke tempat yang sesuai dengan hasil identifikasi tersebut. Flowchart program utama sistem ini dapat dilihat pada Gambar 11. Gambar 10. Flowchart program utama pada mikrokontroler ATmega16 Gambar 11. Flowchart program utama pada Flowstone

9 20 ELECTRICAL ENGINEERING JOURNAL, VOL. 5, NO. 1, OCTOBER 2014 Identifikasi warna pada Flowstone menggunakan modul colour detect dengan metoda thresholding. Modul ini menggunakan lower threshold dan upper threshold dari parameter HSV warna yang diinginkan. Lower threshold dan upper threshold dari parameter HSV warna merah, hijau & biru yang digunakan dapat dilihat pada Tabel 1. Dengan menggunakan modul colour detect, setiap pixel dari citra akan diubah menjadi hitam putih, hitam untuk pixel yang berada di luar rentang HSV warna yang diinginkan dan putih untuk pixel yang berada pada rentang HSV yang diinginkan. Flowchart subprogram identifikasi warna terdapat pada Gambar 12. TABEL 1. PARAMETER UPPER & LOWER THRESHOLD HSV DARI WARNA MERAH, HIJAU, DAN BIRU YANG DIGUNAKAN DALAM PERANCANGAN Warna Threshold Hue Saturation Value Merah Hijau Biru Lower Upper Lower Upper Lower Upper Gambar 12. Flowchart subprogram Identifikasi Warna

10 MODEL OTOMASI PENYORTIR WARNA BARANG DENGAN METODE THRESHOLDING 21 Setelah identifikasi warna dilakukan dan hanya terdeteksi satu warna dari 3 warna yang diinginkan, maka citra hitam-putih yang diperoleh selanjutnya dicek warna dari tiap pixel untuk sisi atas (259 pixel), bawah (259 pixel), kiri (125 pixel) & kanan (125 pixel). Pengecekan tiap pixel tersebut dilakukan menggunakan fungsi looping pada flowstone dengan mengetahui empat koordinat (pixel) sudut persegi panjang yang diinginkan. Empat koordinat sudut persegi panjang tersebut diketahui dengan Persamaan 9 sampai 12: Kiri,atas = (cx (259/2)),(cY (125/2)) (9) Kanan,atas = (cx + (259/2)),(cY (125/2)) (10) Kiri,bawah = (cx (259/2)),(cY + (125/2)) (11) Kanan,bawah = (cx + (259/2)),(cY + (125/2)) (12) Proses pengecekan tiap pixel tersebut dilakukan dari satu pixel ke pixel selanjutnya dengan arah pengecekan dari satu koordinat sudut (pixel) ke koordinat sudut (pixel) di sebelahnya seperti pada Gambar 13. Gambar 13. Arah pengecekan pixel dari bentuk persegi panjang pada tiap sisinya Gambar 14. Arah pengecekan pixel dari bentuk lingkaran pada seluruh sisinya Jika hasil pengecekan sisi persegi panjang menunjukkan bukan bentuk persegi panjang, maka akan dilanjutkan dengan pengecekan pixel sisi lingkaran (warna hitam atau putih). Pengecekan dilakukan dengan fungsi looping dari satu pixel ke pixel selanjutnya dengan step 1 o dari 0 o s/d 359 o dan arah pengecekan seperti pada Gambar 14. Koordinat tiap pixel yang dicek diketahui dengan Persamaan 13 dan 14: sin (13) cos (14) Keterangan: cx dan cy adalah koordinat titik pusat lingkaran, jari-jari (r) sebesar 50 pixel, dalam radian 0 / 2. Untuk dikenali sebagai bentuk persegi panjang atau lingkaran, hasil pengecekannya tersebut harus memenuhi kriteria yang telah di-setting (berdasarkan Tabel 2), yaitu: Pengecekan sisi atas dan bawah masing masing harus >= 70 % berwarna putih, serta pengecekan sisi kiri dan kanan masing masing harus >= 60 % berwarna putih. Pengecekan tiap pixel sisi lingkaran harus >= 60 % berwarna putih. Pada perancangan juga ditambahkan proses pengecekan panjang (horisontal) dan lebar (vertikal) dari area warna yang terdeteksi, supaya dapat diketahui kalau bentuk yang terdeteksi memiliki panjang & lebar atau diameter yang sesuai seperti yang diinginkan. Data kalibrasi untuk

11 22 ELECTRICAL ENGINEERING JOURNAL, VOL. 5, NO. 1, OCTOBER 2014 pengecekan panjang dan lebar dari bentuk persegi panjang dan lingkaran dapat dilihat pada Tabel 3. TABEL 2. DATA KALIBRASI UNTUK PENGECEKAN TIAP PIXEL DARI SISI PERSEGI PANJANG DAN LINGKARAN No. Sisi (%) Atas Bawah Kiri Kanan Lingkaran 1 89,9 90,3 72,8 74,4 87,5 2 91,5 91, ,5 93,4 62, ,8 4 86,1 91,1 75, ,9 87,2 60,8 81,6 87,5 6 90,3 90,7 75,2 81,6 62,5 >= 70 % >= 60 % >= 60 % TABEL 3. DATA KALIBRASI UNTUK PENGECEKAN PANJANG DAN LEBAR DARI BENTUK PERSEGI PANJANG DAN LINGKARAN No. Panjang (pixel) Lebar (pixel) No. Diameter (pixel) Horisontal Vertikal Berdasarkan Tabel 3, maka pixel di-setting untuk rentang panjang dan lebar dari bentuk persegi panjang serta diameter lingkaran yang diinginkan adalah: 255 < Panjang (pixel) < 270 & 128 < Lebar (pixel) < < Diameter (pixel) < 115 Flowchart subprogram identifikasi bentuk dapat dilihat pada Gambar 15. Selanjutnya, dari hasil identifikasi warna dan bentuk yang diperoleh, subprogram kirim data T_on akan mengirimkan sinyal kontrol ke ATmega16 berupa data lebar pulsa setiap servo sesuai dengan hasil identifikasi. Namun, supaya barang - barang yang hendak disortir dapat dimasukan tanpa harus menunggu proses penyortiran barang sebelumnya selesai terlebih dahulu, maka perlu diatur waktu yang tepat (timing) bagi motor servo penyortir barang untuk diijinkan bergerak serta durasi motor servo tersebut bertahan pada posisi menyortirnya kemudian kembali lagi ke posisi netralnya. Jadi motor servo penyortir barang hanya akan bergerak untuk menyortir barang ketika barang yang hendak disortir sudah berada di dekatnya dan segera kembali ke posisi netralnya setelah proses menyortirnya selesai. Untuk mengatur timing dan durasi bagi motor servo penyortir barang tersebut pada Flowstone digunakanlah fungsi delay. Untuk pengaturan delay dan data T_on untuk posisi tiap motor servo yang dikirimkan ke ATmega16 dapat dilihat dalam flowchart subprogram kirim data T_on pada Gambar 16.

12 MODEL OTOMASI PENYORTIR WARNA BARANG DENGAN METODE THRESHOLDING 23 Identifikasi Bentuk Warna barang error? Indikasi warna merah? Indikasi warna hijau? Ambil citra baru (R) berwarna hitam putih serta spesifikasi area putihnya Ambil citra baru (G) berwarna hitam putih serta spesifikasi area putihnya Cek tiap pixel untuk semua sisi persegi panjang Masing masing sisi atas & bawah berwarna putih >= 70%? Ambil citra baru (B) berwarna hitam putih serta spesifikasi area putihnya Masing masing sisi kiri & kanan berwarna putih >= 60%? Indikasi bukan bentuk persegi panjang Indikasi bentuk persegi panjang Sisi lingkaran berwarna putih >= 60%? Cek tiap pixel untuk sisi lingkaran Indikasi bukan bentuk lingkaran Indikasi bentuk lingkaran Indikasi bentuk persegi panjang? Indikasi bentuk Lingkaran? Panjang dan Lebar area putih dalam rentang yang diinginkan? Diameter area putih dalam rentang yang diinginkan? Indikasi bentuk Persegi Panjang sesuai dengan yang diinginkan Indikasi bentuk lain atau tidak diinginkan Indikasi bentuk Lingkaran sesuai dengan yang diinginkan Return Gambar 15. Flowchart subprogram Identifikasi Bentuk

13 24 ELECTRICAL ENGINEERING JOURNAL, VOL. 5, NO. 1, OCTOBER 2014 Kirim Data T_on Servo1, Servo2 & Servo3 berada pada posisi netral, Servo4 menggerakkan konveyor maju dengan T_on 1200 us Warna barang error? Indikasi warna merah? Indikasi (berarti indikasi warna biru) warna hijau? Delay 4300 ms (tunggu untuk timing servo2 boleh mulai bergerak); Delay 4300 ms (tunggu untuk timing servo2 boleh mulai bergerak); Delay 8300 ms (tunggu untuk timing servo2 boleh mulai bergerak); Bentuk Persegi Panjang? Bentuk lingkaran? Bentuk Persegi Panjang? Bentuk lingkaran? Bentuk Persegi Panjang? Bentuk lingkaran? Servo1 ke posisi 1 (45 o ); Delay 5000 ms (untuk durasi servo1 pada posisi 1); Servo1 ke posisi 2 (135 o ); Delay 5700 ms (untuk durasi servo1 pada posisi 2); Servo2 ke posisi 1 (45 o ); Delay 5000 ms (untuk durasi servo2 pada posisi 1); Servo2 ke posisi 2 (135 o ); Delay 5700 ms (untuk durasi servo2 pada posisi 2); Servo3 ke posisi 1 (45 o ); Delay 5000 ms (untuk durasi servo3 pada posisi 1); Servo3 ke posisi 2 (135 o ); Delay 5700 ms (untuk durasi servo3 pada posisi 2); Servo1 kembali ke posisi netral (0 o ) Servo2 kembali ke posisi netral (0 o ) Servo3 kembali ke posisi netral (0 o ) Return Gambar 16. Flowchart subprogram Kirim Data T_on

14 MODEL OTOMASI PENYORTIR WARNA BARANG DENGAN METODE THRESHOLDING 25 IV.1. Pengujian Warna IV. DATA PENGAMATAN DAN ANALISA DATA Artefak Pengenalan warna yang dilakukan dalam Flowstone memerlukan tiga range parameter yaitu, Hue, Saturation dan Value (HSV). Karena setiap warna memiliki nilai parameter HSV-nya masing masing, maka perubahan tiap parameternya akan diidentifikasi sebagai warna yang berbeda pula. Untuk itu pengujian warna perlu dilakukan untuk dapat melihat performansi sistem yang telah dibuat dalam mengenali warna warna yang telah ditentukan (merah, hijau, biru) terhadap setiap perubahan parameter HSV-nya. Pengujian warna ini dilakukan di dalam dua intensitas cahaya ruangan yang berbeda. TABEL 4. DATA PENGENALAN WARNA MERAH TERHADAP PERUBAHAN HUE 1 330,235,255 Terdeteksi Terdeteksi 2 342,235,255 Terdeteksi Terdeteksi 3 354,235,255 Terdeteksi Terdeteksi 4 6,235,255 terdeteksi terdeteksi 5 18,235,255 terdeteksi terdeteksi 6 30,235,255 terdeteksi terdeteksi TABEL 5. DATA PENGENALAN WARNA MERAH TERHADAP PERUBAHAN SATURATION 1 359,125,255 Terdeteksi Terdeteksi 2 359,150,255 Terdeteksi Terdeteksi 3 359,175,255 Terdeteksi Terdeteksi 4 359,200,255 Terdeteksi Terdeteksi 5 359,225,255 Terdeteksi Terdeteksi 6 359,250,255 Terdeteksi Terdeteksi TABEL 6. DATA PENGENALAN WARNA MERAH TERHADAP PERUBAHAN VALUE 1 359,235,125 terdeteksi terdeteksi 2 359,235,150 terdeteksi terdeteksi 3 359,235,175 Terdeteksi Terdeteksi 4 359,235,200 Terdeteksi Terdeteksi 5 359,235,225 Terdeteksi Terdeteksi 6 359,235,250 Terdeteksi Terdeteksi

15 26 ELECTRICAL ENGINEERING JOURNAL, VOL. 5, NO. 1, OCTOBER 2014 TABEL 7. DATA PENGENALAN WARNA MERAH TERHADAP PERUBAHAN STANDAR HUE, SATURATION, VALUE 1 348,255,165 Terdeteksi Terdeteksi 2 360,255,204 Terdeteksi Terdeteksi 3 360,175,255 Terdeteksi Terdeteksi 4 358,131,255 Terdeteksi Terdeteksi 5 360,102,255 Terdeteksi Terdeteksi 6 360,51,255 terdeteksi terdeteksi Berdasarkan Tabel 4 sampai 7, hasil pengenalan warna merah pada Flowstone didapat 2 error, yaitu saat Value = 150 dan saat Saturation = 51, sehingga % error yang mungkin terjadi dalam pengenalan warna merah terhadap perubahan parameter parameter HSV-nya yaitu sebesar 8,33%. TABEL 8. DATA PENGENALAN WARNA HIJAU TERHADAP PERUBAHAN HUE 1 90,235,255 Terdeteksi Terdeteksi 2 102,235,255 Terdeteksi Terdeteksi 3 114,235,255 Terdeteksi Terdeteksi 4 126,235,255 Terdeteksi Terdeteksi 5 138,235,255 Terdeteksi Terdeteksi 6 150,235,255 Terdeteksi Terdeteksi TABEL 9. DATA PENGENALAN WARNA HIJAU TERHADAP PERUBAHAN SATURATION 1 120,125,255 Terdeteksi Terdeteksi 2 120,150,255 Terdeteksi Terdeteksi 3 120,175,255 Terdeteksi Terdeteksi 4 120,200,255 Terdeteksi Terdeteksi 5 120,225,255 Terdeteksi Terdeteksi 6 120,250,255 Terdeteksi Terdeteksi

16 MODEL OTOMASI PENYORTIR WARNA BARANG DENGAN METODE THRESHOLDING 27 TABEL 10. DATA PENGENALAN WARNA HIJAU TERHADAP PERUBAHAN VALUE 1 120,235,125 Terdeteksi Terdeteksi 2 120,235,150 Terdeteksi Terdeteksi 3 120,235,175 Terdeteksi Terdeteksi 4 120,235,200 Terdeteksi Terdeteksi 5 120,235,225 Terdeteksi Terdeteksi 6 120,235,250 Terdeteksi Terdeteksi TABEL 11. DATA PENGENALAN WARNA HIJAU TERHADAP PERUBAHAN STANDAR HUE, SATURATION, VALUE 1 120,255,51 terdeteksi terdeteksi 2 120,255,128 Terdeteksi Terdeteksi 3 120,191,204 Terdeteksi Terdeteksi 4 120,153,255 Terdeteksi Terdeteksi 5 120,102,255 Terdeteksi Terdeteksi 6 120,51,255 terdeteksi terdeteksi Berdasarkan Tabel 8 sampai 11, hasil pengenalan warna hijau pada Flowstone didapat 1 error, yaitu saat Saturation = 102, sehingga % error yang mungkin terjadi dalam pengenalan warna hijau terhadap perubahan parameter parameter HSV-nya yaitu sebesar 4,17%. TABEL 12. DATA PENGENALAN WARNA BIRU TERHADAP PERUBAHAN HUE 1 210,235,255 Terdeteksi Terdeteksi 2 222,235,255 Terdeteksi Terdeteksi 3 234,235,255 Terdeteksi Terdeteksi 4 246,235,255 Terdeteksi Terdeteksi 5 258,235,255 Terdeteksi Terdeteksi 6 270,235,255 terdeteksi terdeteksi

17 28 ELECTRICAL ENGINEERING JOURNAL, VOL. 5, NO. 1, OCTOBER 2014 TABEL 13. DATA PENGENALAN WARNA BIRU TERHADAP PERUBAHAN SATURATION 1 240,125,255 Terdeteksi Terdeteksi 2 240,150,255 Terdeteksi Terdeteksi 3 240,175,255 Terdeteksi Terdeteksi 4 240,200,255 Terdeteksi Terdeteksi 5 240,225,255 Terdeteksi Terdeteksi 6 240,250,255 Terdeteksi Terdeteksi TABEL 14. DATA PENGENALAN WARNA BIRU TERHADAP PERUBAHAN VALUE 1 240,235,125 Terdeteksi Terdeteksi 2 240,235,150 Terdeteksi Terdeteksi 3 240,235,175 Terdeteksi Terdeteksi 4 240,235,200 Terdeteksi Terdeteksi 5 240,235,225 Terdeteksi Terdeteksi 6 240,235,250 Terdeteksi Terdeteksi TABEL 15. DATA PENGENALAN WARNA BIRU TERHADAP PERUBAHAN STANDAR HUE, SATURATION, VALUE 1 240,255,102 Terdeteksi Terdeteksi 2 240,204,255 Terdeteksi Terdeteksi 3 225,204,255 Terdeteksi Terdeteksi 4 220,153,255 Terdeteksi Terdeteksi 5 210,102,255 Terdeteksi Terdeteksi 6 202,51,255 terdeteksi terdeteksi Berdasarkan Tabel 11 sampai 15, hasil pengenalan warna biru pada Flowstone didapat 4 error, yaitu saat Hue = 270, saat Saturation = 125 & 102, dan saat Value = 102, sehingga % error yang mungkin terjadi dalam pengenalan warna biru terhadap perubahan parameter parameter HSV-nya yaitu sebesar 16,67%. Dari pengamatan data untuk pengujian warna, dapat dilihat bahwa hampir setiap error terjadi saat salah satu parameter HSV-nya mendekati batas ambang bawah (Lower Threshold) dan batas ambang atas (Upper Threshold) dari parameter HSV yang diinginkan (dapat dilihat pada Tabel 1).

18 MODEL OTOMASI PENYORTIR WARNA BARANG DENGAN METODE THRESHOLDING 29 IV.2. Pengujian Bentuk Pengenalan bentuk yang dirancang di dalam Flowstone membutuhkan dua parameter yaitu, hasil pengecekan sisi dan spesifikasi bentuk yang diidentifikasi. Karena pengecekan spesifikasi (panjang dan lebar atau diameter) dilakukan dalam rentang yang ditentukan, maka perlu dilakukan pengujian untuk dapat melihat rentang panjang (untuk persegi panjang) dan rentang diameter (untuk lingkaran) yang diijinkan hingga dapat dikenali sebagai bentuk dengan spesifikasi yang diinginkan. Selain itu, karena proses pengecekan sisi pun harus dapat mengenali bentuk persegi panjang dan lingkaran, maka perlu dilakukan pengujian untuk dapat melihat hasil pengecekan sisi dalam mengenali bentuk yang diinginkan (persegi panjang dan lingkaran) dan bentuk yang tidak diinginkan (seperti jajar genjang, trapesium dan segitiga). TABEL 16. DATA PENGENALAN BENTUK LINGKARAN TERHADAP PERUBAHAN DIAMETERNYA No. Diameter (cm) Hasil Teridentifikasi Teridentifikasi Teridentifikasi Teridentifikasi Teridentifikasi TABEL 17. DATA PENGENALAN BENTUK PERSEGI PANJANG TERHADAP PERUBAHAN PANJANGNYA No. Panjang (cm) Hasil Teridentifikasi 4 8 Teridentifikasi Teridentifikasi Teridentifikasi Teridentifikasi Teridentifikasi Berdasarkan Tabel 16, pengenalan bentuk lingkaran berada pada rentang perubahan diameter dari 3 cm sampai 3,4 cm, sehingga bentuk lingkaran dengan diameter di luar rentang tersebut akan dikenali sebagai bentuk lain. Berdasarkan Tabel 17, pengenalan bentuk persegi panjang berada pada rentang perubahan panjang dari 7,9 cm sampai 8,4 cm, sehingga bentuk persegi panjang dengan panjang di luar rentang tersebut akan dikenali sebagai bentuk lain.

19 30 ELECTRICAL ENGINEERING JOURNAL, VOL. 5, NO. 1, OCTOBER 2014 TABEL18. DATA IDENTIFIKASI BENTUK (PERSEGI PANJANG DAN LINGKARAN) TERHADAP SAMPEL BENTUK LAIN No. Bentuk Gambar Hasil Deteksi Bentuk (8 x 4 cm) (3,2 x 3,2 cm) 1 Jajar genjang 2 3 Trapesium 4 5 Segitiga 6 Berdasarkan Tabel 18, proses identifikasi bentuk terhadap beberapa sampel bentuk lain (jajar genjang, trapesium dan segitiga) dapat mengidentifikasi setiap sampel bentuk tersebut sebagai bentuk yang tidak diinginkan sehingga dapat membuang barang dengan bentuk lain tersebut ke tempat yang diinginkan. V. KESIMPULAN Dari hasil pengamatan Tabel 4 sampai 15, % error pendeteksian warna merah, hijau dan biru masing masing adalah sebesar 8,33%, 4,17% dan 16,67%, dengan error yang terjadi di sekitar/ mendekati batas ambang threshold parameter HSV yang ditentukan (dapat dilihat pada Tabel 1). Dari hasil pengamatan Tabel 16 dan 17, pengenalan bentuk lingkaran berada pada rentang perubahan diameter dari 3 cm sampai 3,4 cm dengan setting rentang diameter pada program Flowstone antara 90 pixel sampai 115 pixel (berdasarkan Tabel 3), dan pengenalan bentuk persegi panjang berada pada rentang perubahan panjang dari 7,9 cm sampai 8,4 cm dengan setting rentang panjang pada program Flowstone antara 255 pixel sampai 270 pixel (berdasarkan Tabel 3). Dari hasil pengamatan Tabel 18, proses identifikasi bentuk berdasarkan pada pengenalan sisi persegi panjang dan lingkaran dapat membuang bentuk lain seperti jajar genjang, trapesium dan segitiga.

20 MODEL OTOMASI PENYORTIR WARNA BARANG DENGAN METODE THRESHOLDING 31 DAFTAR REFERENSI [1] Malc. FlowStone: User Guide version 3.0.1, DSP Robotics, [2] Website DSP Robotics, Tutorial. ( diakses tanggal 26 Maret 2013) [3] Website RapidTables, RGB to HSV color conversion. ( diakses tanggal 20 Desember 2013) [4] Malc. FlowStone: Component Reference version 3.0.4, DSP Robotics, [5] A. P. Kusuma, Analisis Algoritma Transformasi Hough dalam Mendeteksi Lingkaran dan Elips berbasis Pengolahan Citra Digital, Tugas Akhir Program Sarjana Fakultas Elektro dan Komunikasi, Institut Teknologi Telkom, Bandung, 2013