ALGORITMA PENDETEKSI MARKA JALAN BERBASIS PENGOLAHAN CITRA SEBAGAI PEMANDU NAVIGASI PADA MINIATUR MOBIL

Transkripsi

1 HALAMAN JUDUL TUGAS AKHIR TE ALGORITMA PENDETEKSI MARKA JALAN BERBASIS PENGOLAHAN CITRA SEBAGAI PEMANDU NAVIGASI PADA MINIATUR MOBIL Dimas Novian Aditia Syahputra NRP Dosen Pembimbing Suwito, ST., MT. PROGRAM STUDI KOMPUTER KONTROL Departemen Teknik Elektro Otomasi Fakultas Vokasi Institut Teknologi Sepuluh Nopember Surabaya2017 i

2 ii

3 HALAMAN JUDUL FINAL PROJECT TE ROAD MARKINGS DETECTION ALGORITHM BASED ON IMAGE PROCESSING AS A NAVIGATION GUIDE ON A CAR MINIATURE Dimas Novian Aditia Syahputra NRP Advisor Suwito, ST., MT. COMPUTER CONTROL STUDY PROGRAM Electrical and Automation Engineering Department Vocational Faculty Institut Teknologi Sepuluh Nopember Surabaya 2017 iii

4 iv

5 PERNYATAAN KEASLIAN PERNYATAAN KEASLIAN TUGAS AKHIR Dengan ini saya menyatakan bahwa isi sebagian maupun keseluruhan Tugas Akhir saya dengan judul Algoritma Pendeteksi Marka Jalan Berbasis Pengolahan Citra Sebagai Pemandu Navigasi Pada Miniatur Mobil adalah benar-benar hasil karya intelektual mandiri, diselesaikan tanpa menggunakan bahan-bahan yang tidak diijinkan dan bukan merupakan karya pihak lain yang saya akui sebagai karya sendiri. Semua referensi yang dikutip maupun dirujuk telah ditulis secara lengkap pada daftar pustaka. Apabila ternyata pernyataan ini tidak benar, saya bersedia menerima sanksi sesuai peraturan yang berlaku. Surabaya, 17 Juli 2017 Dimas Novian Aditia Syahputra NRP v

6 -----Halaman ini sengaja dikosongkan----- vi

7 HALAMAN PENGESAHAN ALGORITMA PENDETEKSI MARKA JALAN BERBASIS PENGOLAHAN CITRA SEBAGAI PEMANDU NAVIGASI PADA MINIATUR MOBIL TUGAS AKHIR Diajukan Guna Memenuhi Sebagian Persyaratan Untuk Memperoleh Gelar Ahli Madya Pada Program Studi Komputer Kontrol Departemen Teknik Elektro Otomasi Institut Teknologi Sepuluh Nopember Menyetujui: Dosen Pembimbing Suwito, ST., MT. NIP SURABAYA Juli, 2017 vii

8 -----Halaman ini sengaja dikosongkan----- viii

9 ALGORITMA PENDETEKSI MARKA JALAN BERBASIS PENGOLAHAN CITRA SEBAGAI PEMANDU NAVIGASI PADA MINIATUR MOBIL Nama : Dimas Novian Aditia Syahputra Pembimbing : Suwito, ST., MT. ABSTRAK Dalam sistem transportasi telah dikembangkan kendaraan dengan sistem navigasi otomatis untuk meningkatkan keamanan dan kenyamanan dalam berkendara. Sistem tersebut mampu mengendalikan mobil agar berjalan pada rute tertentu secara otomatis(humanless). Teknologi pengolahan citra dapat diterapkan dalam hal ini. Kebanyakan penelitian tentang sistem navigasi otomatis dengan pengolahan citra menggunakan garis marka jalan sebagai pemandu navigasi. Umumnya pendeteksian marka jalan dilakukan dengan metode hough transform. Maka dari itu, Tugas Akhir ini bertujuan untuk membuat sistem navigasi otomatis menggunakan algoritma pendeteksi marka jalan dengan metode segmentasi warna dan deteksi kontur. Sehingga diharapkan mobil dapat melaju dan mempertahankan posisinya diantara dua marka jalan. Pada pengujian yang telah dilakukan sistem ini membutuhkan waktu rata-rata 0,5248 detik untuk merespon perubahan posisi marka pada citra yang ditangkap. Kemampuan navigasi yang dapat dilakukan terbatas pada besar sudut lintasan 50 sampai 90 derajat. Hasil sistem navigasi otomatis dalam melakukan satu kali putaran pada lintasan memiliki tingkat keberhasilan 60% pada kecepatan rata-rata 0,48 m/s dan intensitas cahaya kurang dari 145 lux. Kata Kunci : Automatic Navigation System, Color Segmentation, Contour detection ix

10 -----Halaman ini sengaja dikosongkan----- x

11 ROAD MARKINGS DETECTION ALGORITHM BASED ON IMAGE PROCESSING AS A NAVIGATION GUIDE ON A CAR MINIATURE Name : Dimas Novian Aditia Syahputra Advisor : Suwito, ST., MT. ABSTRACT In vehicle transportation systems have been developed with automated navigation system to enhance security and comfort in drive. The system able to control the cars to run on certain routes automatically (humanless). Image processing technology can be applied in this. Most research about automated navigation system with image processing using line marking path as a navigation guide. Generally path detection performed by hough transform method. So from that, this Final Project aims to make automated navigation system using algorithm marking road marker with method of color segmentation and contour detection. So expect cars can go and maintain their position among the two road markers. In testing that have been performed this system requires average time of seconds to respond to the change of roads marker position in the captured image. Navigation capabilities the forum limited large angle tracks 50 to 90 degree. Results of automated navigation system in performing one-time round on track have 60% success rate at average speed 0,48 m / s and light intensity under 145 lux. Keywords : Automatic Navigation System, Color Segmentation, Contour detection xi

12 -----Halaman ini sengaja dikosongkan----- xii

13 KATA PENGANTAR Puji syukur penulis panjatkan kehadirat Tuhan yang selalu memberikan rahmat dan hidayah-nya sehingga Tugas Akhir ini dapat terselesaikan dengan baik. Tugas Akhir ini disusun untuk memenuhi sebagian persyaratan Guna Memenuhi Sebagian Persyaratan Untuk Memperoleh Gelar Ahli Madya pada Program Studi Komputer Kontrol, Departemen Teknik Elektro Otomasi, Institut Teknologi Sepuluh Nopember Surabaya dengan judul: ALGORITMA PENDETEKSI MARKA JALAN BERBASIS PENGOLAHAN CITRA SEBAGAI PEMANDU NAVIGASI PADA MINIATUR MOBIL Dalam Tugas Akhir ini dirancang Algoritma Pendeteksi markaa jalan menggunakan metode segmentasi warna dan deteksi kontur. Untuk memandu jalannya mobil. Penulis mengucapkan terima kasih kepada Ayah dan Ibu tercinta yang senantiasa memberikan dukungan, Bapak Suwito, ST., MT. atas segala bimbingan ilmu, moral, dan spiritual dari awal hingga terselesaikannya Tugas Akhir ini, Bapak dan Ibu guru tersayang yang telah mengantarkan penulis ke jenjang perguruan tinggi dengan ilmu yang bermanfaat. Penulis juga mengucapkan banyak terima kasih kepada semua pihak yang telah membantu baik secara langsung maupun tidak langsung dalam proses penyelesaian Tugas Akhir ini. Penulis menyadari dan memohon maaf atas segala kekurangan pada Tugas Akhir ini. Akhir kata, semoga Tugas Akhir ini dapat bermanfaat dalam pengembangan keilmuan di kemudian hari. Surabaya, 17 Juli 2017 Penulis xiii

14 -----Halaman ini sengaja dikosongkan----- xiv

15 DAFTAR ISI HALAMAN HALAMAN JUDUL... i PERNYATAAN KEASLIAN TUGAS AKHIR... v HALAMAN PENGESAHAN... vii ABSTRAK... ix ABSTRACT... xi KATA PENGANTAR... xiii DAFTAR ISI... xv DAFTAR GAMBAR... xix DAFTAR TABEL... xxi BAB I PENDAHULUAN Latar Belakang Permasalahan Batasan Masalah Tujuan Metodologi Penelitian Sistematika Laporan Relevansi... 3 BAB II TEORI DASAR Pengertian Citra Dasar Pengolahan Citra Digital Teknik Pengambilan Citra Digital Teknik Pengolahan Citra Digital [2] Jenis-Jenis Citra Digital Segmentasi Warna Transformasi Morpologi Dilatasi Erosi Dasar Operasi Threasholding Kontur Deteksi Kontur Fitur Pada Kontur Momen Kontur dan Titik Pusat Massa (Centroid) Sudut Dalam Segitiga Single Board Computer xv

16 BAB III PERANCANGAN SISTEM Perencanaan Sistem Konfigurasi Perangkat Pengolahan Citra Installasi Sistem Operasi Installasi OpenCV dan Paket Pendukung Algoritma Pengolahan Citra Pengambilan Citra Pemotongan citra Segmentasi Citra Menemukan Kontur Menemukan Titik Pusat Massa Titik Antara Dua Marka Sudut Navigasi Perancangan Mekanik Miniatur Mobil Karakteristik Sensor Perancangan Perangkat Keras Kecepatan Minatur Mobil Sistem Komunikasi Raspberry Pi dengan Mikrokontroler BAB IV PENGUJIAN SISTEM Pengujian Kemampuan Deteksi Lintasan Pengujian Kemampuan Deteksi Lintasan pada Intensitas Cahaya Tertentu Pengujian Kemampuan Tracking Marka Pengujian Kecepatan Respon Sistem Pengujian Kemampuan Pemandu Navigasi BAB V PENUTUP Kesimpulan Saran DAFTAR PUSTAKA...63 LAMPIRAN A...65 A.1 Program Pengolahan Citra A.2 Program Penggerak Servo LAMPIRAN B...75 B.1 Datasheet Raspberry Pi B.2 Datasheet Arduino Uno R B.3 Datasheet Servo MG90S xvi

17 B.4 Spesifikasi Webcam M-Tech WB B.5 Datasheet Driver Motor L298N LAMPIRAN C C.1 Data Waktu Respon Sistem C.2 Data Sudut Navigasi C.3 Dokumentasi Pengujian Pengaruh Intensitas Cahaya C.4 Dokumentasi Pengujian Kemampuan Navigasi DAFTAR RIWAYAT HIDUP xvii

18 -----Halaman ini sengaja dikosongkan----- xviii

19 DAFTAR GAMBAR HALAMAN Gambar 2.1 Citra RGB... 8 Gambar 2.2 Citra Abu-abu... 8 Gambar 2.3 Pembentukan Citra Biner... 9 Gambar 2.4 Filter Gaussian Gambar 2.5 Perbedaan RGB dan HSV Gambar 2.6 Tabel Warna Gambar 2.7 Dilatasi Gambar 2.8 Erosi Gambar 2.9 Contoh Thresholding Gambar 2.10 A. Orisinil B. Biner C. Biner Terbalik D. Potong E. Zero F. Zero Terbalik Gambar 2.11 Contoh Kontur Gambar 2.12 Segitiga Gambar 3.1 Diagram Fungsional Sistem Gambar 3.2 Sistem Operasi Raspbian Jessie Gambar 3.3 Tampilan Win32 Disk Imager Gambar 3.4 Menulis Sistem Operasi Gambar 3.5 Perintah Update dan Upgrade Raspberry Pi Gambar 3.6 Perintah Install Python IDLE Gambar 3.7 Perintah Install Paket Penunjang Python Gambar 3.8 Perintah Install Codec dan Ffmpeg Gambar 3.9 Perintah Import Library OpenCV pada Python Gambar 3.10 Diagram Pengolahan Citra Gambar 3.11 Diagram Alir Pengambilan Citra Gambar 3.12 Citra Kamera Gambar 3.13 Desain Pemotongan Citra Gambar 3.14 Pemotongan Citra Menjadi ROI Gambar 3.15 Pemotongan Roi Menjadi Kiri Gambar 3.16 Pemotongan ROI Menjadi Kanan Gambar 3.17 Hasil Pemotongan Citra Gambar 3.18 Flowchart Konversi RGB Ke HSV Gambar 3.19 Flowchart Thresholding Gambar 3.20 A.Citra Asal, B. Hasil Filter Gaussian C.Citra HSV dan D.Citra Biner xix

20 Gambar 3.21 A. Citra Biner B. Citra Hasil Erosi dan Dilatasi Gambar 3.22 A. Kontur B. Citra Biner Gambar 3.23 Hasil Pencarian Centroid Gambar 3.24 Flowchart Pencarian Titik Antara Dua Marka Gambar 3.25 Hasil Pencarian Tiik Tengah Gambar 3.26 Ilustrasi Pencarian Sudut Navigasi Gambar 3.27 Miniatur Mobil Dengan Kamera Gambar 3.28 Roda Depan dengan Kemudi Servo Gambar 3.29 Penempatan Kamera Gambar 3.30 Field of View Gambar 3.31 Rangkaian Perangkat Keras Gambar 3.32 Flowchart Kontrol Arah Navigasi Gambar 3.33 Flowchart Penerima Arduino Gambar 4.1 Deteksi Lintasan Lurus Gambar 4.2 Deteksi Lintasan Belok Kanan Gambar 4.3 Deteksi Lintasan Belok kiri Gambar 4.4 Kemampuan Tracking Lintasan Gambar 4.5 Pengujian Kecepatan Respon Sistem Gambar 4.6 Grafik Respon Sistem Gambar 4.7 Lintasan Gambar 4.8 Besar Sudut Uji xx

21 DAFTAR TABEL HALAMAN Tabel 4.1 Kemampuan Deteksi Marka Pada Intensitas 13lx Tabel 4.2 Kemampuan Deteksi Marka Pada Intensitas 23lx Tabel 4.3 Kemampuan Deteksi Marka Pada Intensitas 29lx Tabel 4.4 Kemampuan Deteksi Marka Pada Intensitas 39lx Tabel 4.5 Kemampuan Deteksi Marka Pada Intensitas 145lx Tabel 4.6 Waktu respon Sistem Tabel 4.7 Uji Kemampuan Navigasi Dengan Kemiringan Tabel 4.8 Uji Kemampuan Navigasi Dengan Kemiringan Tabel 4.9 Uji Kemampuan Navigasi Dengan Kemiringan Tabel 4.10 Uji Kemampuan Navigasi dengan kemiringan Tabel 4.11 Uji Kemampuan Navigasi Dengan Kemiringan Tabel 4.12 Pengujian Sistem Secara Keseluruhan Berlawanan Arah Jarum Jam Tabel 4.13 Pengujian Sistem Secara Keseluruhan Searah Jarum Jam.. 59 xxi

22 -----Halaman ini sengaja dikosongkan----- xxii

23 1 BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan jumlah kendaraan di Indonesia mengalami peningkatan yang sangat pesat. Salah satunya adalah kendaraan jenis mobil pribadi. Pada tahun 2009 terdapat unit mobil pribadi, sedangkan pada tahun 2013 meningkat menjadi unit [10]. Perkembangan ini diikuti oleh peningkatan angka kecelakaan akibat pengemudi kendaraan yang kemungkinan mengalami kelelahan pada saat mengendarai mobil. Untuk mengurangi resiko kecelakaan tersebut, saat ini telah dikembangkan sebuah teknologi yang disebut ITS (Intelligent Transportation System). Menurut EU Directive 2010/40/EU (7 juli 2010), ITS didefinisikan sebagai sebuah sistem yang menggabungkan teknologi informasi, elektronika dan komunikasi yang kemudian diaplikasikan pada bidang transportasi [16]. Tujuan utama dari sistem ini adalah untuk meningkatkan keamanan dan kenyamanan dalam berkendara. Salah satu aplikasi dari ITS adalah navigasi otomatis pada kendaraan roda empat. Kendaraan tersebut dapat berjalan melalui rute tertentu tanpa pengemudi. Salah satu metode yang digunakan pada ITS adalah menggunakan kamera sebagai penangkap gambar. Gambar dari kamera akan melalui proses pengolahan citra. Dengan pengolahan citra ini, kendaraan dapat melakukan navigasi agar tetap berada dalam jalur lalu lintas. Atas latar belakang dan permasalahan tersebut dalam tugas akhir ini akan dibuat sebuah sistem pengendali navigasi pada miniatur mobil yang dapat melakukan navigasi otomatis melintasi rute tertentu. Sistem ini terdiri dari single board computer yang dilengkapi dengan kamera yang akan memproses gambar untuk mendeteksi marka jalan sebagai pemandu navigasi kendaraan. Sinyal kontrol dari hasil pengolahan citra diumpankan pada motor servo sebagai penggerak roda depan miniatur mobil. 1.2 Permasalahan Berdasarkan latar belakang diatas maka permasalahan utama pada tugas akhir ini adalah melakukan tracking terhadap marka jalan agar dapat digunakan sebagai pemandu navigasi miniatur mobil. Algoritma 1

24 yang dirancang harus mampu membedakan antara garis marka jalan dan jalan. Dimana garis marka jalan di deteksi marka secara kontinyu. Intensitas cahaya berlebih dapat mempengaruhi hasil penangkapan citra dan mengakibatkan kegagalan deteksi marka, sehingga perlu dilakukan thresholding yang tepat agar penangkapan citra berjalan dengan baik. 1.3 Batasan Masalah Tugas Akhir ini berfokus pada pengendalian navigasi miniatur mobil agar tetap berjalan pada lintasan yang berupa model jalan dengan background berwarna hitam dan garis berwarna putih pada sisi kanan dan kiri mobil sebagai marka jalan. Miniatur mobil hanya mendeteksi marka jalan pada sisi kiri dan kanan mobil dan berjalan diantara kedua garis tersebut. Lintasan berupa sirkuit berbentuk huruf 0 tanpa persimpangan dan halangan dengan sudut belokan lebih besar dari 50. Pengujian dilakukan pada lingkungan dengan intensitas cahaya kurang dari 145 lux. 1.4 Tujuan Perancangan algoritma pendeteksi marka jalan berbasis pengolahan citra bertujuan sebagai referensi alternatif bagi perkembangan dunia transportasi dalam hal kendaraan otomatis untuk meningkatkan keamanan dan kenyamanan dalam berkendara. Dengan menerapkan teknologi pengolahan citra pada sistem trasportasi, khususnya miniatur mobil serta menerapkan teknologi single board computer dan mikrokontroler dalam mengatur navigasi pada miniatur mobil. 1.5 Metodologi Penelitian Dalam pembuatan Tugas Akhir ini dilakukan melalui beberapa tahapan, tahapan tersebut antara lain studi literatur, perancangan dan pembuatan perangkat keras, perancangan dan pembuatan perangkat lunak, integrasi perangkat keras dan perangkat lunak, dan yang terakhir adalah pembuatan buku Tugas Akhir. Pada tahap studi literatur akan dipelajari teori dasar mengenai teknik pengolahan citra digital, metode pendeteksian objek menggunakan pengolahan, komunikasi serial, serta pengaturan servo. Pada tahap perancangan dan pembuatan perangkat keras akan dilakukan modifikasi miniatur mobil. Pada tahap perancangan dan pembuatan perangkat lunak akan dibuat perangkat lunak pendetaksi marka jalan dan perangkat lunak pengatur servo. Yang 2

25 terakhir adalah integrasi antara perangkat keras dan perangkat lunak serta melakukan uji coba dan perbaikan sistem. Tahap akhir dari Tugas Akhir ini adalah penyusunan buku Tugas Akhir. 1.6 Sistematika Laporan Pembahasan Tugas Akhir ini akan dibagi menjadi lima Bab dengan sistematika sebagai berikut: Bab I Bab II Bab III Bab IV Bab V Pendahuluan Bab ini meliputi latar belakang, permasalahan, tujuan, metodologi penelitian, sistematika laporan, dan relevansi. Teori Dasar Pada bab ini akan dibahas teori dasar dan teori penunjang terkait perangkat dan bahan yang digunakan dalam Tugas Akhir ini. Perancangan Sistem Membahas perencanaan dan pembuatan perangkat keras yang meliputi rangkaian-rangkaian, desain prototipe, dan perangkat lunak yang yang akan digunakan untuk menjalankan alat tersebut Pengujian Sistem Pada bab ini dilakukan pengujian dari sistem yang telah dibuat pada bab 3. Penutup Bab ini berisi kesimpulan dan saran dari hasil pembahasan yang telah diperoleh. 1.7 Relevansi Dengan adanya Tugas Akhir ini diharapkan dapat diaplikasikan pada mobil sesungguhnya, serta dapat dijadikan sebagai referensi atau ide dalam kemajuan transportasi, khususnya sistem navigasi otomatis. 3

26 -----Halaman ini sengaja dikosongkan

27 2 BAB II TEORI DASAR Pada bab ini akan dibahas teori dasar dan teori penunjang terkait perangkat dan bahan yang digunakan dalam tugas akhir ini. 2.1 Pengertian Citra Citra atau gambar dua dimensi merupakan informasi berbentuk visual. Suatu citra diperoleh dari penangkapan intensitas cahaya yang dipantulkan oleh suatu objek. Ketika cahaya mengenai suatu objek, sebagian dari cahaya tersebut akan dipantulkan kembali. Pantulan tersebut akan diterima oleh alat alat pengindra optik seperti kamera, mata manusia, scanner, dan sebagainya. Alat pengindra optik akan menangkap bayangan dari objek sesuai intensitas cahaya yang dipantulkan. Berdasarkan sinyal pembentuknya, citra dibedakan menjadi dua jenis yaitu citra analog dan citra digital. Citra analog merupakan citra yang terbentuk dari sinyal kontinyu. Nilai intensitas cahaya pada citra analog memiliki rentang dari 0 sampai tak hingga. Contoh alat akuisisi citra analog antara lain mata manusia dan kamera analog. Pada citra digital, kontinuitas intensitas cahaya dikuantisasi sesuai resolusi alat perekam. Besar resolusi citra digital merupakan pembagian gambar analog menjadi N baris dan M kolom sehingga menjadi citra diskrit dalam fungsi intensitas 2 dimensi f(x, y), dimana x dan y adalah koordinat spasial dan f pada titik (x, y) merupakan tingkat kecerahan (brightness) atau tingkat keabuan suatu citra pada suatu titik. Citra digital adalah citra f(x,y) yang telah dilakukan digitalisasi baik koordinat area maupun tingkat kecerahannya. Nilai f di koordinat (x,y) menunjukkan tingkat kecerahan atau tingkat keabuan dari citra pada titik tersebut 2.2 Dasar Pengolahan Citra Digital Secara umum pengolahan citra mencakup dua aspek pengubahan sebuah citra seperti berikut ini: 1. Meningkatkan kualiatas informasi dari sebuah citra(gambar) yang digunakan untuk kepentingan interpretasi manusia. 2. Mengubah citra dari sebuah gambar yang digunakan untuk mempermudah pemrosesan persepsi mesin autonomous agar lebih mudah dalam menggambil keputusan. 5

28 Pengolahan citra digital, merupakan teknik pengolahan citra dengan menggunakan komputer. [9] Teknik Pengambilan Citra Digital Tahap pertama dari pengolahan citra digital adalah menentukan gambar yang akan diolah. Ada beberapa teknik pengambilan citra digital yang bisa dilakukan dengan menggunakan alat pengindra optik digital, antara lain dengan kamera digital atau scanner. Hasil yang diperoleh dari kamera atau scanner berupa citra dalam bentuk raster(citra dengan model matriks). Selain membutuhkan peralatan input, teknik pengambilan citra juga membutuhkan frame graber yang berupa rangkaian elektrik penangkap citra dalam satuan frame tunggal. Selain mengunakan perangkat pengindra optik, teknik pengambilan citra dapat dilakukan dengan menggunakan teknik grafika komputer, yaitu dengan membentuk objek citra komputer. Contoh dari teknik ini adalah pembuatan animasi dan pembuatan logo. Hasil dari teknik grafika komputer dapat berupa citra raster maupun citra vektor. Terdapat beberapa perbedaan antara citra raster dan dan citra vektor, keduanya memiliki kelebihan dan kekurangan masing-masing sehingga untuk memutuskan menggunakan citra raster maupun citra vektor dapat disesuaikan dengan proyek yang dikerjakan Teknik Pengolahan Citra Digital [2] Secara umum terdapat tiga kelas dalam pengolahan citra digital, kelas tersebut dibagi lagi dalam beberapa sub kelas. Setiap sub kelas digunakan untuk mengatasi permasalahan yang spesifik. Adapun pembagian kelas tersebut antara lain : 1. Kelas pengolahan tingkat rendah(low level processing). Pengolahan ini merupakan operasi dasar dalam pengolahan citra. Terdapat tiga sub kelas dalam pengolahan tingkat rendah, seperti perbaikan citra(image enhancement), pengurangan noise(noise reduction), restorasi citra(image restoration). 2. Kelas pengolahan tingkat menengah(mid level processing). Pengolahan ini meliputi segmentasi citra(image segmentation), deskripsi objek(object description), dan klasifikasi objek(object classification). 3. Kelas pengolahan tingkat tinggi(high level processing). Pengolahan ini meliputi analisa citra(image analysis). 6

29 Dari ketiga kelas tersebut, sub kelas pada teknik-teknik pengolahan citra antara lain: 1. Image Enhancement meliputi teknik pemrosesan citra sehingga hasilnya menjadi lebih bagus. Contohnya menajamkan atau mengurangi blur, menandai tepi, meningkatkan kontras dan kecerahan, serta menghilangkan noise pada citra. 2. Image Restoration adalah proses mengembalikan keadaan suatu citra yang telah rusak menjadi seperti sedia kala. Sebagai contoh seperti menghilangkan blur akibat pergerakan linier, menghilangkan distorsi optik, serta menghilangkan efek tua pada sebuah gambar. 3. Image Compression meliputi merubah ukuran suatu citra dalam bentuk yang lebih compact sehingga memori yang digunakan semakin sedikit. Hal yang harus diperhatikan dalam image compression adalah citra hasil kompresi harus mempunyai informasi yang bagus atau tidak rusak. 4. Image Segmentation meliputi pembagian gambar menjadi bagian yang berbeda atau mengisolasi aspek tertentu dari sebuah gambar. Sebagai contoh diantaranya menemukan garis, bentuk khusus pada gambar, mengidentifikasi pohon, gedung atau jalan. 5. Image Analysis bertujuan untuk mendapatkan informasi khusus dari suatu citra sehingga membantu dalam identifikasi objek. 6. Image Reconstruction bertujuan untuk membentuk ulang objek dari beberapa hasil proyeksi. 2.3 Jenis-Jenis Citra Digital Berdasarkan komponen pembentuk warnanya citra digital dibedakan menjadi tiga macam, yaitu : a. Citra RGB Pada citra RGB, masing-masing piksel terbentuk dari kombinasi tiga komponen warna yaitu merah(red), hijau(green) dan biru(blue). Setiap komponen memiliki nilai antara 0-255, sehingga total nilai yang digunakan dalam citra RGB adalah 256 pangkat 3 atau kemungkinan warna. Contoh citra RGB dapat dilihat pada gambar

30 Gambar 2.1 Citra RGB b. Citra Abu-abu Setiap piksel pada citra grayscale berisikan warna abu-abu dengan nilai antara Nilai tersebut diperoleh dari rata-rata ketiga komponen pembentuk citra RGB dengan perhitungan dan contoh citra abu-abu dapat dilihat pada gambar 2.2 : Gambar 2.2 Citra Abu-abu c. Citra Biner Pada citra biner hanya terdapat dua nilai piksel, yaitu 0 yang merepresentasikan warna hitam dan 1 yang merepresentasikan warna putih. Pembentukan citra biner dilakukan dengan pemetaan nilai piksel 8

31 dengan syarat tertentu. Perhatikan contoh pembentukan citra biner pada gambar 2.3. Gambar 2.3 Pembentukan Citra Biner 2.4 Segmentasi Warna Segmentasi citra merupakan salah satu teknik pengolahan citra yang umum digunakan dalam pendeteksian dan tracking objek tertentu. Salah satu teknik segmentasi citra yang sering digunakan dalam tracking objek adalah segmentasi citra berdasarkan warna. Warna pada dasarnya merupakan hasil persepsi cahaya dalam spektrum wilayah yang terlihat oleh retina mata, dan memiliki panjang gelombang antara 400nm sampai dengan 700nm (Poynton, 1997). Ruang warna atau yang lebih sering disebut sebagai model warna merupakan sebuah cara atau metode untuk mengatur, membuat dan memvisualisasikan warna (Ford and Roberts, 1998). Terdapat beberapa jenis ruang warna, diantaranya sebagai berikut: 1. Ruang Warna RGB(Red Green Blue) 2. Ruang Warna HSV(Hue Saturation Value) 9

32 3. Ruang Warna YcbCr (Lumunance-Chromium) Pada segmentasi warna dapat digunakan ruang warna HSV. Untuk menggunakan ruang warna HSV diperlukan proses konversi dari citra RGB yang ditangkap oleh kamera. Langkah-langkah segmentasi citra menggunakan ruang warna HSV adalah sebagai berikut ini: 1. Filter semua noise pada citra asli sebelum melakukan segmentasi warna. Salah satu filter yang sering digunakan adalah filter Gaussian. Filter tersebut akan melakukan konvolusi pada setiap piksel pada citra input dengan kernel Gaussian dan kemudian menjumlahkan semuanya untuk menghasilkan citra output. Fungsi filter Gausian 2d adalah sebagai berikut. Proses konvolusi citra dengan filter tersebut dapat dilihat pada gambar 2.4. Gambar 2.4 Filter Gaussian 2. Proses berikutnya adalah transformasi ruang warna dari RGB ke HSV. Proses konversi tersebut dilakukan dengan memperhatikan perbedaan antara model warna RGB dan HSV yang dapat dilihat pada gambar

33 Gambar 2.5 Perbedaan RGB dan HSV Perhitungan trasnformasi dari model warna RGB ke HSV sesuai ilustrasi pada gambar 2.5 dapat dirumuskan dengan : Rumus tersebut menghasilkan nilai HSV dalam skala 0-1. Kalikan dahulu dengan 255 untuk memperoleh nilai jangkauan Setelah citra diubah dalam bentuk HSV langkah berikutnya adalah menentukan nilai warna objek yang akan diambil. Umumnya batas warna tersebut memiliki batas atas dan batas bawah untuk setiap komponen HSV. Rentang nilai warna objek tersebut dapat dicari dengan melihat tabel warna atau trial and error. Contoh dari tabel warna pada gambar 2.6. Gambar 2.6 Tabel Warna 11

34 2.5 Transformasi Morpologi Secara singkat transformasi morpologi dapat diartikan sebagai sebuah operasi yang mengolah citra berdasarkan bentuk. Operasi morpologi menggunakan elemen struktur kepada citra input dan menghasilkan citra output. Terdapat berbagai macam metode transformasi morpologi, namun yang paling sering digunakan adalah operasi erosi dan dilatasi. Dua operasi tersebut memiliki penggunaan yang luas Dilatasi Operasi dilatasi terdiri dari konvolusi sebuah citra A dengan kernel B, Pada umumnya kernel berbentuk persegi atau lingkaran. Prosesnya adalah membandingkan setiap piksel citra input dengan nilai anchor point dengan cara melapiskan (superimpose) kernel dengan citra sehingga pusat kernel tepat dengan posisi piksel citra yang diproses. Jika paling sedikit ada 1 piksel pada kernel sama dengan nilai piksel objek (foreground) citra maka piksel input di set nilainya dengan nilai pixel foreground, dan bila semua piksel yang berhubungan adalah background maka input pixel di beri nilai pixel background. Proses serupa dilanjutkan dengan menggerakan tapis piksel demi piksel pada citra input. Operasi ini mengakibatkan daerah terang dalam citra akan tumbuh (sehingga disebut dilatasi). Pada gambar 2.7 merupakan ilustrasi operasi dilatasi. Gambar 2.7 Dilatasi 12

35 2.5.2 Erosi Berkebalikan dengan operasi dilatasi, erosi akan membandingkan nilai minimum yang dilalui kernel dan kemudian akan mengganti nilai piksel dibawah anchor point dengan nilai piksel minimal. Ilustrasi erosi dapat dilihat pada gambar 2.8. Gambar 2.8 Erosi 2.6 Dasar Operasi Threasholding Thersholding merupakan salah satu metode segmentasi citra yang paling sederhana. Contoh penggunaannya adalah memisahkan daerah dari sebuah citra yang berhubungan dengan objek yang akan kita analisa(mencari Region Of Interest). Pemisahan ini berdasarkan variasi intensitas antara piksel pada objek dan piksel pada background. Untuk membedakan piksel yang kita butuhkan dan piksel sisa(yang terkadang tidak digunakan lagi), kita melakukan pembandingan nilai intensitas masing-masing piksel dengan mematuhi threshold(daerah ambang batas) sesuai dengan kebutuhan. Sebagai contoh telah dilakukan pemisahan piksel yang dianggap penting, kita dapat menentukan nilai untuk mengidentifikasi suatu objek (0 sebagai hitam dan 255 sebagai putih atau nilai lain yang sesuai kebutuhan). Contoh thresholding ada pada gambar 2.9. Gambar 2.9 Contoh Thresholding 13

36 Secara umum terdapat lima macam thresholding. Untuk mengilustrasikan cara kerja dari thresholding, Pada gambar 2.10 merupakan perbandingan dari masing-masing thresholding, Gambar A merupakan citra sumber, citra B adalah hasil thresholding biner, dan seterusnya. Gambar 2.10 A. Orisinil B. Biner C. Biner Terbalik D. Potong E. Zero F. Zero Terbalik 2.7 Kontur Kontur(Contour) dapat diartikan secara sederhana sebagai sebuah kurva yang semua titiknya saling terhubung(sepanjang batas) dan memiliki warna atau intensitas yang sama. Kontur merupakan alat yang sangat bermanfaat untuk analisa bidang serta deteksi dan pengenalan objek. Untuk akurasi yang lebih baik dapat menggunakan citra biner Deteksi Kontur Untuk mencari sebuah kontur dengan akurasi yang baik, sebelumnya harus dilakukan prosedur binerisasi citra. kontur yang terbaca merupakan wilayah terang atau putih dari citra biner. Untuk lebih jelasnya dapat dilihat pada gambar Gambar 2.11 Contoh Kontur 14

37 2.7.2 Fitur Pada Kontur Pada sebuah kontur terdapat beberapa fitur yang dapat digunakan untuk berbagai tujuan seperti menentukan titik masa atau deteksi objek. Fitur tersebut diantaranya adalah moments, contour area, contour perimeter, contour approximation, convex hull, bounding rectangle, minimum enclosing circle, fitting an ellipse, fitting a line. 2.8 Momen Kontur dan Titik Pusat Massa (Centroid) Dalam pengolahan citra, image moment dapat didefinisikan sebagai nilai rata-rata intensitas piksel pada sebuah gambar. Momen merupakan salah satu fitur pada fungsi kontur. Momen dapat digunakan untuk melakukan perhitungan terhadap kontur, seperti menentukan titik pusat massa dan area dari objek. Variabel momen didasarkan pada citra biner. momen memiliki beberapa orde, setiap orde memiliki kegunaannya masing-masing. 1. Momen orde 0 : ukuran 2. Momen orde 1 : titik pusat massa 3. Momen orde 2 : orientasi 4. Momen orde > 2 : bentuk dari citra dengan intensitas I(x,y), moment didefinisikan oleh:...(1) Sehingga pusat moment merupakan translasi invarian:...(2)...(3) Dari persamaan diatas centroid dapat didefinisikan sebagai titik pusat massa bidang dua dimensi dengan koordinat. 2.9 Sudut Dalam Segitiga Pada sebuah bangun segitiga terdapat jumlah sudut 180. Sudut sudut dalam segitiga dapat dicari dengan persamaan trigonometri. Pada contoh bangun segitiga siku-siku pada gambar 2.12 dapat dicari besar setiap sudut jika diketahui panjang dua sisi dari segitiga. 15

38 Gambar 2.12 Segitiga Diasumsikan nilai X dan Y telah diketahui, maka dapat dihitung nilai R dengan. Sedangkan sudut α dapat dihitung dengan: 2.10 Single Board Computer Single Board Computer(SBC) merupakan sebuah komputer yang dirangkai dalam sebuah papan sirkuit tunggal. Pada papan tersebut sudah terdapat mikroprosesor, memori dan perangkat input output. Pada umumnya SBC sering dibuat secara sederhana tanpa bergantung pada slot ekspansi sebagai gantinya biasanya SBC dilengkapi oleh pin GPIO(General Purpose Input Output). Beberapa contoh SBC antara lain adalah Raspberry Pi, Orange Pi, Latte Panda, dan Beaglebone Black. 16

39 3 BAB III PERANCANGAN SISTEM Pada bab ini akan dijelaskan mengenai perancangan dan pembuatan Sistem Pengendali Navigasi Pada Miniatur Mobil Menggunakan Algoritma Pendeteksi Marka Jalan Berbasis Pengolahan Citra meliputi blok fungsional sistem yang akan menjelaskan proses kerja alat dalam bentuk alur diagram, perancangan dan desain mekanis yang mendukung cara kerja alat, serta algoritma pengolahan citra dan perangkat lunak yang mengatur cara kerja alat Perencanaan Sistem Pada Tugas Akhir ini, sistem pemandu navigasi pada miniatur mobil menggunakan kamera sebagai sensor visual. Kamera akan menangkap citra lintasan yang akan diproses pada tahap pengolahan citra sehingga terdeteksi marka jalan. Setelah marka jalan terdeteksi dan diperoleh posisi miniatur terhadap marka jalan, data posisi akan dikirimkan ke mikrokontroler melalui komunikasi serial, mikrokontroller akan menggerakan servo penggerak roda depan. Diagram fungsional sistem yang akan dibuat dapat dilihat pada gambar 3.1. Miniatur Mobil Kamera Pengolahan Citra Servo Penggerak Roda Depan Slave Mikrokontroler Komunikasi Serial Gambar 3.1 Diagram Fungsional Sistem 3.2 Konfigurasi Perangkat Pengolahan Citra Pengolahan citra membutuhkan perangkat pendukung seperti prosesor dan alat penangkap citra. Pada Tugas Akhir ini pengolahan 17

40 citra menggunakan sebuah webcam sebagai perangkat penangkap citra dan sebuah Single Board Computer (SBC) Raspberry Pi 3 sebagai prosesor dalam pengolahan citra. Adapun spesifikasi Raspberry Pi 3 adalah sebagai berikut : 1. RAM :1GB LPDDR2 2. CPU :4xCPU ARM Cortex-A53 1,2GHz 3. GPU :Broadcom Videocore IV 4. Dimensi : 85 x 56 x 17mm Digunakannya Raspberry Pi dalam Tugas Akhir ini karena ukurannya yang kecil sehingga memungkinkan membuat sistem yang portable. Kecepatan CPU yang digunakan juga setara dengan komputer desktop sehingga memungkinkan untuk melakukan pengolahan citra. GPU Broadcom Videocore IV yang disematkan dalam Raspberry Pi mampu memutar sebuah video 1080p dengan kecepatan 30fps dapat membantu pemrosesan citra. Raspberry Pi membutuhkan beberapa konfigurasi yang harus dilakukan sebelum perangkat siap digunakan sebagai prosesor pada pengolahan citra. Konfigurasi yang dilakukan antara lain instalasi sistem operasi yang akan berjalan pada Raspberry Pi serta paket pendukung yang dibutuhkan untuk melakukan pengolahan citra. Sistem operasi yang akan digunakan adalah Raspbian Jessie. Pada Tugas Akhir ini Raspbian Jessie digunakan sebagai sistem operasi karena merupakan sistem operasi yang umum digunakan dan memiliki repository dan dokumentasi yang lengkap sebagai referensi dalam mempermudah proses pembuatan Tugas Akhir. Perangkat pendukung antara lain Python IDLE untuk menulis program, library OpenCV-Python untuk pengolahan citra, codec dan ffmpeg sebagai paket multimedia Installasi Sistem Operasi Pada Raspberry Pi sistem operasi dipasang pada sebuah SD card yang akan bertindak sebagai harddisk pada komputer. Proses pemasangan sistem operasi pada SD card dilakukan dengan bantuan program Win32 Disk Imager dengan langkah sebagai berikut. 1. Untuk mendapatkan sistem operasi Raspbian Jessie yang terbaru sistem operasi dapat didownload dari situs resmi Raspberry Pi pada alamat berikut Setelah download selesai kemudian file akan diekstrak sehingga didapatkan file dengan ekstensi.img. File ini merupakan image 18

41 sistem operasi Raspbian. Contoh sistem operasi yang telah diekstrak ada pada gambar 3.2. Gambar 3.2 Sistem Operasi Raspbian Jessie 2. Langkah selanjutnya adalah memasukkan sistem operasi tersebut dalam sebuah sd card menggunakan program Win32 Disk Imager. Tampilan program Win32 Disk Imager seperti pada gambar 3.3. Gambar 3.3 Tampilan Win32 Disk Imager 3. Pada image file, masukkan file sistem operasi Raspbian jessie dan pada device dipilih sdcard yang akan digunakan. Kemudian klik write dan tunggu hingga selesai. Untuk lebih jelas dapat dilihat pada gambar 3.4. Gambar 3.4 Menulis Sistem Operasi 19

42 3.2.2 Installasi OpenCV dan Paket Pendukung Setelah menginstal sistem operasi dan Raspberry dapat digunakan, tahap selanjutnya adalah dengan melakukan instalasi Python IDLE dan dan library OpenCV serta perangkat pendukung lain seperi codec dan ffmpeg. Pada saat instalasi pastikan Raspberry terhubung dengan internet. 1. Tahap pertama dalam instalasi dilakukan dengan mengupdate dan mengupgrade Raspbian dengan mengetikkan perintah gambar 3.5 pada terminal. Gambar 3.5 Perintah Update dan Upgrade Raspberry Pi 2. Setelah update dan upgrade selesai kemudian dilakukan instalasi Python IDLE dengan mengetikkan perintah gambar 3.6 pada terminal. Gambar 3.6 Perintah Install Python IDLE 3. Setelah Python IDLE terinstall, berikutnya adalah menginstall paket penunjang Python dan OpenCV dengan mengetikkan perintah gambar 3.7 pada terminal. Gambar 3.7 Perintah Install Paket Penunjang Python 4. Berikutnya adalah menginstall codec dan ffmpeg untuk pelengkap OpenCV dan Python. Instalasi dapat dilakukan dengan mengetikkan perintah gambar 3.8 pada terminal. 20

43 Gambar 3.8 Perintah Install Codec dan Ffmpeg 5. Tahap selanjutnya adalah memastikan bahwa OpenCV telah terhubung pada Python dengan baik. Ketikkan perintah gambar 3.9 pada pyhon shell. Setelah OpenCV terhubung dengan baik maka Raspberry siap digunakan untuk proses pengolahan citra. import cv2 Gambar 3.9 Perintah Import Library OpenCV pada Python 3.3 Algoritma Pengolahan Citra Pada Tugas Akhir ini digunakan marka jalan berwarna putih sebagai pemandu navigasi miniatur mobil. Penggunaan warna marka putih disesuaikan dengan kondisi jalanan di Indonesia. Pada setiap frame yang ditangkap oleh kamera, pengolahan citra untuk mendeteksi marka akan dilakukan secara bertahap. Proses tersebut antara lain: pemotongan citra input dengan ukuran tertentu, Gaussian Filtering, konversi warna RGB ke HSV, segmentasi citra berdasarkan warna, erosi dan dilatasi, menemukan kontur, dan menemukan centroid. Diagram alir proses pengolahan citra terdapat pada gambar Pembuatan software pengolahan citra tersebut akan dikerjakan pada Python IDLE 2.79 yang didukung oleh library OpenCV. 21

44 Menangkap Citra Pemotongan Citra Dengan Ukuran Tertentu Segmentasi Citra Bedasarkan Warna Menemukan Kontur Menemukan Titik Tengah Kontur Mendapatkan Titik Diantara Dua Marka Serial Gambar 3.10 Diagram Pengolahan Citra Pengambilan Citra Tahap awal dalam pemrosesan citra digital adalah mendapatkan citra yang akan diproses, citra tersebut dapat berupa citra dari internal komputer ataupun citra dari luar. Pengambilan citra dari luar komputer membutuhkan perangkat tambahan seperti kamera atau scanner. Pada 22

45 Tugas Akhir ini pengambilan citra dilakukan dengan menggunakan webcam. Citra yang diambil berupa video dengan resolusi 640x480 piksel dan kecepatan tangkap maksimum 30 fps. Penggunaan resolusi 640x480 piksel digunakan agar matriks citra yang didapat tidak terlalu besar sehingga proses komputasi pata tahap selanjutnya akan berjalan lebih cepat, sedangkat kecepatan tangkap maksimum 30 fps merujuk pada spesifikasi kamera yang digunakan. Proses pengambilan citra dilakukan sesuai flowchart pada gambar MULAI X=0 Y=0 Tentukan Tinggi Citra = 480 Tentukan Lebar Citra = 640 Mengambil Citra Frame=Citra yang ditangkap Gambar 3.11 Diagram Alir Pengambilan Citra Pada gambar 3.11 tahap pengambilan citra dimulai dengan menetapkan ukuran dari citra yang nantinya akan dihasilkan, kemudian proses penangkapan citra dilakukan, citra yang ditangkap berupa video, setiap frame dari video tersebut akan disimpan dalam sebuah variabel, 23

46 variabel inilah yang akan diproses dalam setiap loop. Pada Python IDLE program pengambilan citra dapat ditulis dengan perintah-perintah berikut ini : a. Inisialisasi kamera. Dengan Python dan OpenCV dapat dilakukan dengan menulis program dibawah ini pada Python IDLE b. Pengaturan resolusi. Tahap pengaturan resolusi kamera dapat dilakukan dengan perintah c. Penyimpanan frame dalam variabel. Karena video yang ditangkap merupakan citra yang berifat kontinyu, maka penyimpanan dalam variabel juga harus berulang sehingga diperoleh hasil yang realtime. Perintah penyimpanan citra dalam variabel dapat ditulis dengan Hasil dari tahap pengambilan citra dapat dilihat pada gambar Gambar 3.12 Citra Kamera 24

47 3.3.2 Pemotongan citra Pada Tugas Akhir ini digunakan dua marka jalan yang berada pada sisi kanan dan kiri mobil. Pendeteksian kedua marka tersebut dilakukan secara terpisah, tujuan pemisahan tersebut agar algoritma pendeteksi tidak perlu membedakan antara marka kanan dan marka kiri, sehingga proses komputasi lebih sederhana. Pada proses tersebut diperlukan pemotongan citra(cropping). Citra yang ditangkap akan dipotong menjadi tiga bagian sesuai desain pada gambar Citra 480*640 Kiri 160*260 ROI 160*640 Kanan 160*260 Gambar 3.13 Desain Pemotongan Citra Prosses pemotongan citra tersebut dilakukan dengan menggunakan dua koordinat, yaitu koordinat awal pemotongan dan koordinat akhir pemotongan sehingga dihasilkan matrik segi empat yang akan menyimpan nilai tiap piksel dalam rentang koordinat tersebut. Berdasarkan desain tersebut citra yang dihasilkan dari proses pemotongan citra adalah Roi, Kanan, dan Kiri. 25

48 1. Pemotongan Citra Menjadi ROI. Citra 480*640 Koordinat awal Pemotongan Citra yang dipotong ROI 160*640 Pemotongan Citra Koordinat Akhir Pemotonga n Gambar 3.14 Pemotongan Citra Menjadi ROI Pada tahap ini citra yang ditangkap akan dipotong pada bagian bawah citra dengan ketinggian 320 hingga 480 piksel dengan lebar 0 hingga 640. Koordinat awal pemotongan citra yang diberikan adalah pada titik (320,0) sedangkan titik akhir pemotongan adalah pada koordinat (480,640). Hasil yang diperoleh dari pemotongan tersebut merupakan sebuah citra baru dengan resolusi 160x640 piksel. Citra baru tersebut selanjutnya akan dipotong lagi untuk membedakan marka kanan dan marka kiri. Proses pemotongan citra selanjutnya sama dengan pemotongan tahap awal ini, yaitu dengan memberikan nilai koordinat awal dan nilai koordinat akhir pemotongan. Berdasarkan pada desain pada gambar 3.13 resolusi pada masing masing citra kiri dan citra kanan adalah 160x260 piksel. Koordinat awal dan koordinat akhir pada citra kiri berturut-turut adalah (0,0) dan (160,260). Sedangkan pada citra kanan adalah (0,380) dan (160,640). 26

49 2. Pemotongan Roi Menjadi Kiri. Koordinat awal Pemotongan Citra yang dipotong ROI 160*640 Pemotongan Citra Koordinat Akhir Pemotongan Gambar 3.15 Pemotongan Roi Menjadi Kiri 3. Pemotongan ROI Menjadi Kanan. Kiri 160*260 ROI 160*640 Koordinat Awal Pemotongan Citra Yang Dipotong Pemotongan Citra Koordinat Akhir Pemotongan Kanan 160*260 Gambar 3.16 Pemotongan ROI Menjadi Kanan 27

50 Penulisan program pemotongan citra dapat dituliskan dengan perintah berikut ini. roi = frame[320:480,0:640] kiri=roi[0:160,0:260] kanan=roi[0:160,380:640] Dimana frame merupakan citra yang ditangkap oleh kamera, roi merupakan pemotongan pada tahap awal, kiri, dan kanan merupakan citra hasil pemotongan untuk mendeteksi masing-masing marka. Hasil pemotongan citra dapat dilihat pada gambar Gambar 3.17 Hasil Pemotongan Citra Setelah dilakukan pemotongan citra menjadi bagian kanan dan kiri, proses segmentasi citra berdasarkan warna hingga pencarian centroid akan dikerjakan pada masing-masing bagian kiri dan kanan Segmentasi Citra Segmentasi citra merupakan teknik pemisahan antara objek dan background pada citra, terdapat berbagai teknik segmentasi citra diantaranya adalah segmentasi citra berdasarkan warna, segmentasi citra bedasarkan bentuk objek, dan lain sebagainya. Pada Tugas Akhir ini digunakan teknik segmentasi citra berdasarkan warna untuk memisahkan antara bagian marka jalan berwarna putih yang dianggap 28

51 sebagai objek deteksi dengan bagian hitam dari lintasan yang merupakan background dari citra. Proses segmentasi tersebut dapat dilakukan pada ruang warna HSV, untuk itu perlu dilakukan konversi dari ruang warna RGB ke HSV. Pada ruang warna HSV akan dilakukan thresholding nilai intensitas warna sehingga diperoleh objek yang diinginkan. Tresholding tersebut menghasilkan citra biner. Warna yang diinginkan akan bernilai HIGH dan menganggap warna yang tak diharapkan sebagai background dan bernilai ZERO. Penghalusan citra menggunakan filter Gaussian dilakukan sebelum proses konversi warna dari RGB ke HSV. Penghalusan citra bertujuan untuk mengurangi noise yang ada pada citra yang ditangkap oleh kamera pada tahap sebelumnya, filter Gaussian dipilih karena hasilnya yang baik, namun memiliki kelemahan pada waktu proses yang lebih lama. Cara kerja filter Gaussian adalah dengan melakukan konvolusi setiap piksel dari citra input dengan kernel gausian kemudian menjumlahkan semuanya dan dihasilkan gambar output. Hasil filter Gaussian dapat dilihat pada gambar 3.20 bagian B. Pada OpenCV-Python filter Gaussian dapat dipanggil dengan perintah berikut: Citra yang telah melalui tahap filterasi kemudian akan dikonversi. Proses konversi dilakukan pada masing-masing komponen RGB(Merah,Hijau,Biru), kemudian dihasilkan citra dengan komponen HSV. Proses tersebut berjalan sesuai dengan flowchart pada gambar Pada flowchart tersebut nilai RGB dicara nilai maksimum dan nilai minimum dari ketiga komponen tersebut, misalkan nilai RGB(160,100,40) maka didapaatkan nilai maksimum adalah nilai R yaitu 160, sedangkan nilai minimum adalah nilai B yaitu 40. Dari hasil tersebut sudah dapat dicari nilai dari komponen V dan S pada ruang waarna HSV. Nilai V sama dengan nilai maksimum dari ketiga komponen RGB, pada contoh diatas nilai V adalah 160. Sedangkan nilai S dan H dapat dicari melalui perhitungan pada flowchart tersebut. 29

52 Mulai Citra RGB Input tiap piksel Max=max(R,G,B) Min=min(R,G,B) V=Max S=(Max-Min)/ Min Y R = Max T H=60((G-B)/(Max-Min) mod6) Y G = Max T H=60((B-R)/(Max-Min) +2) H=60((R-G)/(Max-Min) +4) Gambar 3.18 Flowchart Konversi RGB Ke HSV Pada Python perintah konversi RGB ke HSV dilakukan dengan perintah berikut ini. Mulai Citra HSV Input tiap piksel Batas_atas=(H,S,V) Batas_bawah=(H,S,V) T Batas_bawahH<H<Batas_atasH Batas_bawahS<S<Batas_atasS Batas_bawahV<V<Batas_atasV Y 0(Hitam) 1(Putih) Gambar 3.19 Flowchart Thresholding 30

53 Tahap selanjutnya adalah thresholding citra HSV. Thresholding dilakukan dengan syarat warna objek memiliki nilai intensitas diantara batas bawah(min) dan batas atas(max) dari ketiga komponen HSV. Rentang nilai threshold berkisar antara 0 sampai 255. Proses tersebut bekerja sesuai flowchart pada gambar Perintah untuk melakukan thresholding pada Python dapat ditulis dengan: thresh = cv2.inrange(hsv, batas_bawah,batas_atas) Pada perintah diatas, thresh merupakan citra hasil thresholding yang berupa citra biner, HSV merupakan citra asal yang diproses, batas_bawah dan batas_atas merupakan batas threshold. Dalam melakukan segmentasi warna tertentu, perlu dicari nilai batas treshold yang tepat. Terdapat dua cara yang umum digunakan dalam pencarian nilai threshold dapat menggunakan tabel warna dan trial and error. Pada Tugas Akhir ini, pencarian syarat treshold dilakukan dengan trial and error. Perubahan citra dalam proses segmentasi secara bertahap dapat diamati pada gambar A. Citra Asal B. Hasil Filter Gaussian C. Citra HSV D. Citra Biner Gambar 3.20 A.Citra Asal, B. Hasil Filter Gaussian C.Citra HSV dan D.Citra Biner. 31

54 Pada citra biner yang telah diperoleh dari segmentasi citra akan dilakukan erosi dan dilatasi. Tujuan proses tersebut untuk memperbaiki bentuk objek dan mengurangi noise yang terdeteksi sebagai objek pada citra biner. Pada OpenCV Python penggunaan operasi dilatasi dan erosi dilakukan dengan menggunakan perintah berikut ini: erosi=cv2.erode(citrabiner,none,iterations=jumlah) dilatasi=cv2.dilate(citrabiner,none,iterations=jumlah) Parameter yang digunakan pada perintah tersebut antara lain: 1. Erosi dan dilatasi merupakan citra hasil,. 2. Citra biner merupakan yang diproses. 3. None merupakan structuring element yang digunakan. 4. Jumlah merupakan perulangan erossi dan dilatasi. Pada Tugas Akhir ini citra biner akan mengalami erosi dengan lima kali iterasi dan satu kali dilatasi, pengulangan proses dilatasi dan erosi bersifat opsional bergantung pada besarnya noise yang dihasilkan oleh proses segmentasi. Hasil dari proses tersebut dapat dilihat pada gambar Noise A. Citra Biner B. Citra Hasil Erosi dan Dilatasi Gambar 3.21 A. Citra Biner B. Citra Hasil Erosi dan Dilatasi Pada gambar 3.21 bagian A, noise pada lingkaran kuning dapat dihilangkan dan tidak ada pada gambar bagian B Menemukan Kontur Kontur akan menghubungkan titik-titik pada tepi area dengan nilai intensitas yang sama. Pada citra biner kontur akan menghubungkan tepi area berwarna putih. Kontur yang terdeteksi dapat digunakan untuk melakukan tracking objek dengan memanfaatkan fitur momen pada 32

55 kontur. Fitur momen tersebut dapat digunakan untuk mencari titik tengah dari objek yang terdeteksi atau titik tengah dari kontur, titik inilah yang nantinya dimanfaatkan sebagai fitur point untuk tracking objek. Dalam mencari kontur pada OpenCV-Python,terdapat beberapa parameter yang digunakan,parameter tersebut diantaranya: 1. src yang merupakan citra input 8-bit single-chanel, piksel yang bernilai tidak nol akan dianggap bernilai satu, piksel dengan nilai nol akan dianggap nol. 2. Contour adalah contour yang terdeteksi, setiap contour akan disimpan sebagai titik vektor. 3. Hierarchy output vektor yang bersifat opsional. Jika tidak digunakan maka diganti dengan tanda underscore(_). Pada hierarchy terdapat elemen pada contour untuk setiap contour ke-n contours[n]. 4. Mode, merupakan mode pencarian contour, terdapat 4 mode pada OpenCV-Python. a. CV_RETR_EXTERNAL hanya mencari contour paling luar. Dipengaruhi oleh hierarchy. b. CV_RETR_LIST mencari semua contour tanpa menetapkan hubungan antar hierarchy. c. CV_RETR_CCOMP mencari semua contour dan mengatur semua Contour menjadi hierarchy level 2. d. CV_RETR_TREE mencari semua contour dan membangun ulang contour dari sekumpulan contour. 5. Method, merupakan metode perkiraan contour. Terdapat tiga jenis perkiraan contour. a. CV_CHAIN_APPROX_NONE mode ini akan menyimpan semua tirik contour, kemudian akan menghubungkan titik-titik yang bertetangga secara horizontal, verrtikal, maupun diagonal. b. CV_CHAIN_APPROX_SIMPLE meringkas hubungan antara titik-titik kontour baik secara horizontal,vertikal maupun diagonal. Sebgaai contoh pada contour berbentuk persegi panjang hanya akan menyisakan empat titik pada setiap sudut persegi panjang. c. CV_CHAIN_APPROX_TC89_L1,CV_CHAIN_APPROX_TC 89_KCOS menggunakan metode perkiraan Teh-Chin. 33

56 Perintah pencarian kontur pada OpenCV-Python dapat ditulis sebagai berikut: kontur,_ = cv2.findcontours(citrasumber,<mode>,<method>) Pada Tugas Akhir ini digunakan metode CV_CHAIN_APPROX_SIMPLE dan mode CV_RETR_TREE pada pencarian contour. Mode CV_RETR_TREE dipilih karena kemampuannya mencari semua kontur sehingga dapat dilakukan seleksi kontur yang kemungkinan merupakan marka jalan, sedangkan penggunaan metode CV_CHAIN_APPROX_SIMPLE bertujuan untuk meringkas proses yang dilakukan dalam pembentukan kontur karena metode ini hanya memproses titik-titik sudut pada kontur yang terdeteksi sehingga proses lebih sederhana dan menggunakan memori yang lebih kecil. Pada gambar 3.22 bagian A citra biner yang telah diperoleh dari operasi dilatasi dan erosi kemudian dicari konturnya, contoh kontur yang terdeteksi dapat dilihat pada gambar 3.22 bagian B. A. Citra Biner B. Kontur Gambar 3.22 A. Kontur B. Citra Biner Menemukan Titik Pusat Massa Titik pusat massa atau centroid merupakan pusat dari bidang dua dimensi. Dalam hal ini, bidang dua dimensi berupa kontur dari objek yang terdeteksi. Untuk memperoleh informasi titik pusat masa dari kontur, digunakan fitur momen area. Momen area inilah yang akan dihitung titik centroidnya. Pada OpenCV Python perintah pencarian momen dapat ditulis dengan: areakontur=max(kontur, key=cv2.contourarea) momen= cv2.moments(areakontur) Parameter yang digunakan pada perintah diatas antara lain: 34

57 1. areakontur merupakan hasil pencarian kontur terbesar. 2. Kontur merupakan semua kontur yang terdeteksi pada citra. 3. cv2.contourarea merupakan perintah mencari nilai area dari kontur. 4. Momen merupakan momen yang didapatkan dari areakontur. Penggunaan mode CV_RETR_TREE pada pencarian kontur memungkinkan terdeteksi lebih dari satu kontur, ketika lebih dari satu kontur terdeteksi maka dapat dihasilkan lebih dari satu buah titik centroid dan mengakibatkan kerancuan pada proses selanjutnya. Oleh karena hal tersebut maka digunakan program untuk memilih kontur dengan luas area paling besar agar titik centroid yang dihasilkan hanya satu. Kontur paling besar merupakan objek yang dideteksi(bukan i noise). Setelah didapatkan momen dari kontur, berikutnya pencarin titik pusat massa dapat dilakukan. Pada OpenCV-Python program pencarian titik pusat masa ditulis dengan perintaah berikut ini. x = int(momen['m10']/momen['m00']) y = int(momen['m01']/momen['m00'] Pada perintah diatas, m10,m01, dan m00 merupakan parameter orde pada momen. Koordinat centroid kemudian disimpan pada variabel x dan y. Hasil dari pencarian centroid dapat dilihat pada gambar 3.23 berikut ini. Gambar 3.23 Hasil Pencarian Centroid 35

58 3.3.6 Titik Antara Dua Marka Proses pencarian kontur dan centroid dilakukan pada citra kanan dan Kiri, sehingga akan diperoleh dua titik centroid. Informasi titik centroid marka kanan dan marka kiri akan diolah sehingga diperoleh titik tengah diatantara keduanya. Titik tengah tersebut akan dibandingkan dengan titik acuan sehingga diperoleh posisi aktual dari miniatur mobil terhadap marka jalan. Terkadang salah satu titik centroid tidak terdeteksi, sehingga pencarian titik diantara kedua marka akan mengalami gangguan, untuk mengatasi hal tersebut proses pencarian titik antara dua marka dilakukan sesuai flowchart pada gambar Mulai Kanan dan kiri terdeteksi? Y (Xkiri+(Xkanan+380))/2 T Kiri Terdeteksi? Y T (Xkiri+640)/2 Kanan terdeteksi? Y T (Xkanan+380)/2 Koordinat Tengah Tidak ada aksi Gambar 3.24 Flowchart Pencarian Titik Antara Dua Marka 36

59 Hasil Pencarian titik antara dua marka dapat dilihat pada gambar Titik berwarna merah pada sisi kanan dan kiri merupakakan titik pusat masa dari masing-masing marka, sedangkan titik hijau pada bagian tengah gambar merupakan titik tengah yang diperoleh. Gambar 3.25 Hasil Pencarian Tiik Tengah Sudut Navigasi Titik antara dua marka atau titik simpang yang telah didapatkan akan dibandingkan dengan titik acuan untuk mencari besarnya jarak simpangan. Pada ilustrasi gambar 2.26 bagian a merupakan kondisi mobil tepat berada pada tengah lintasan, sehingga sudut navigasi yang diperlukan 0 derajat. Pada ilustrasi bagian b posisi mobil berada pada sisi kiri lintasan sehingga titik simpang bergeser ke kanan dan menimbulkan jarak antara titik pusat field of view dan membentuk sebuah bangun segitiga siku-siku terhadap posisi kamera. Bangun segitiga berwarna putih tersebut dapat digunakan untuk mencari sudut navigasi yang diperlukan agar posisi mobil kembali pada tengah lintasan. a. Berada Pada Tengah Lintasan b. Berada pada tepi lintasan Gambar 3.26 Ilustrasi Pencarian Sudut Navigasi 37

60 Dari ilustrasi pada gambar 3.26, sudut B merupakan sudut navigasi dan A pada bangun segitiga merupakan jarak yang dibentuk oleh titik simpang dan pusat field of view. Program perhitungan sudut navigasi pada Python dapat ditulis seperti perintah berikut ini. jarak_simpangan = titik_tengah titik_simpang sisi_miring = math.sqrt(tinggi*tinggi+jarak_simpang*jarak_simpang) Cos_theta=tinggi/sisi_miring theta = int(math.degrees(math.acos(cos_theta))) Pada perhitungan diatas besarnya titik acuan dan tinggi diatur terlebih dahulu. Titik acuan diberi nilai 320 yang merupakan titik tengah field of view. Sedangkan tinggi diatur 180. Theta yang diperoleh kemudian dikirim ke kontroler sebagai perintah navigasi. 3.4 Perancangan Mekanik Miniatur Mobil Miniatur mobil yang digunakan pada Tugas Akhir ini merupakan sebuah mainan radio kontrol yang telah dimodifikasi sehingga memungkinkan untuk meletakkan komponen yang diperlukan pada bagian dalam mobil, serta mengganti sistem kemudi roda depan yang awalnya digerakkan oleh motor gearbox dengan sebuah servo mg90s. Spesifikasi miniatur mobil yang digunakan adalah sebagai berikut ini : 1. Jarak poros roda depan dan roda belakang adalah 21,5cm 2. Jarak roda kanan dan kiri bagian terluar 15cm. 3. Panjang Bodi mobil 34,8 cm 4. Diameter masing-masing roda adalah 5,5 cm 5. Jarak roda depan dan bamper mobil adalah 6,5cm Kemampuan navigasi miniatur mobil dipengaruhi oleh besarnya sudut yang yang mampu dibuat oleh roda depan saat berbelok dari keadaan lurus. Semakin besar sudut yang dapat dibentuk maka semakin kecil lingkaran yang dapat lalui oleh miniatur mobil ketika berbelok maksimal atau semakin tajam tikungan yang dapat dilalui. Minatur mobil yang telah dimodifikasi seperti pada gambar

61 Gambar 3.27 Miniatur Mobil Dengan Kamera Pengaturan besar sudut navigasi pada minatur mobil yang awalnya digerakkan oleh motor gearbox memiliki kelemahan, yaitu hanya mampu memberi tiga kondisi navigasi, yaitu berbelok maksimal kekanan, berbelok ke kiri maksimal dan lurus, hal ini tidak relevan terhadap mobil sebenarnya. Modifikasi penggerak kemudi roda depan dengan servo dilakukan agar sudut navigasi yang diberikan lebih beragam. Modifikasi penggerak roda depan dapat dilihat pada gambar Gambar 3.28 Roda Depan dengan Kemudi Servo. 39

62 3.5 Karakteristik Sensor Kamera sebagai sensor visual yang bertugas untuk menangkap citra memiliki peranan yang penting pada Tugas Akhir ini. Kamera harus mampu memberikan data digital yang akurat dan sesuai dengan keadaan yang sebenarnya. Pada percobaan ini sensor visual menggunakan sebuah webcam M-Tech WB200 dengan spesifikasi sebagai berikut: 1. 5 MP(megapiksel) 2. Mampu merekam video dengan resolusi 640x480 dengan kecepatan tangkap 30fps. Penempatan kamera dapat berpengaruh pada kinerja sistem, hal ini disebabkan oleh perbedaan luas field of view yang ditangkap oleh kamera. Pada Tugas Akhir ini, kamera diletakkan diatas miniatur mobil dengan ketinggian 26 cm dari lintasan, dan kemiringan 50. dengan peletakan tersebut diperoleh luas field of view 1052 cm 2 dan sudut lateral 14,6. Kemiringan kamera dapat digerakkan antar 0-90, semakin kecil sudut yang dipentuk maka pandangan kamera akan semakin jauh dan menghasilkan field of view yang lebih luas, dan sebaliknya semakin besar sudut yang dibentuk field of view yang didapat semakin kecil namun lintasan semakin tidak terdeteksi. Ilustrasi penempatan kamera dapat dilihat pada gambar cm 13cm Gambar 3.29 Penempatan Kamera 40

63 Dari penempataan kamera diatas diperoleh jarak terjauh yang dapat ditangkap kamera adalah 50cm dan jarak terdekat yang diperoleh adalah 13cm jika diukur dari poros roda depan. Field of view akan berbentuk sebuah bangun trapesium dan lintasan yang dapat digunakan sebagai pemandu jalan oleh miniatur mobil harus berada dalam jangkauan field of view. Sehingga lebar lintasan yang diijinkan juga merujuk pada lebar field of view yang terkecil atau bagian b pada trapesium berwarna biru pada gambar C B A Gambar 3.30 Field of View 3.6 Perancangan Perangkat Keras Tugas Akhir ini menggunakan sebuah SBC dan sebuah mikrokontroler yang terhubung dengan komunikasi serial. Dalam hal ini, mikrokontroler yang digunakan adalah Arduino Uno R3. Fungsi dari mikrokontroler adalah untuk menerima informasi besar sudut yang diperlukan untuk navigasi miniatur mobil dari Rasberry. Mikrokontroler akan menggerakan servo sesuai perintah yang diterima dari Raspberry. Penambahan mikrokontroller bertujuan sebagai kontroller bantu, sehingga Raspberry Pi hanya bertugas mengolah citra dan tidak terbebani oleh proses kontrol hardware mekanis penggerak seperti servo dan driver motor, selain itu juga untuk mempermudah proses pemrograman. Skema hardware dapat dilihat pada gambar

64 SERVO Motor DC D9 D8 D7 D3 Signal In2 In1 En2 Out1 Out2 DRIVER Motor In1 In2 Gambar 3.31 Rangkaian Perangkat Keras 3.7 Kecepatan Minatur Mobil Pada setiap frame yang ditangkap oleh kamera akan dilakukan pemrosesan citra sehingga didapatkan perintah navigasi yang nantinya akan di eksekusi mikrokontroller untuk menggerakkan miniatur mobil. Diperlukan waktu untuk memproses setiap frame yang ditangkap. Oleh karena itu apabila kecepatan miniatur mobil melebihi batas kecepatan yang diijnkan maka pemrosesan citra tidak dapat berjalan maksimal sehingga miniatur mobil akan tidak terkontrol. Merujuk pada field of view yang dibentuk oleh posisi kamera memiliki jarak terjauh 50 cm dari miniatur mobil maka kecepatan maksimal yang di ijinkan agar miniatur mobil dapat terkendali adalah 0,5 m/s. 3.8 Sistem Komunikasi Raspberry Pi dengan Mikrokontroler Perintah navigasi yang telah diperoleh dari proses pengolahan citra kemudian akan dikirimkan pada mikrokontroller yang bertugas mengatur pergerakan hardware mekanis seperti servo dan motor. Penggunaan mikrokontroller bertujuan untuk menyederhanakan proses yang dilakukan oleh Raspberry Pi. Pengiriman perintah dilakukan dengan komunikasi serial UART dari USB host pada Raspberry ke Mikrokontroller. Komunikasi UART akan membaca data dalam bentuk tipe data string. Untuk itu perlu dilakukan pengaturan komunikasi agar data yang dikirim dapat diterima dengan baik oleh mikrokontroler. 42

65 Pengaturan tersebut dengan cara membuat kontrol komunikasi dan buffer data. Pada bagian pengirim kontrol komunikasi diatur dengan memberi format pengiriman sebagai berikut: Data 3 Byte Byte Kontrol Sedangkan pada penerima dibuat buffer yang dapat menampung sedikitnya 4 karakter. Selain berfungsi sebagai pemisah data sekarang dan data sebelumnya byte kontrol juga digunakan sebagai pemberi perintah orientasi navigasi ke kanan atau ke kiri karena dari pengolahan citra hanya didapat besaran sudut tanpa diketahui arah kanan atau kiri. Pada Tugas Akhir ini byte kontrol menggunakan karakter, dan p untuk mengarahkan orientasi. Orientasi dapat diketahui dari nilai jarak_simpang yang diperoleh pada tahap sudut navigasi dengan algoritma seperti flowchart pada gambar Mulai Titik_tengah=320 Ambail nilai titik_simpang jarak_simpangan = titik_tengah titik_simpang Jarak_simpang >0 T Y Orientasi=kanan (,) Orientasi=kiri(p) Gambar 3.32 Flowchart Kontrol Arah Navigasi Untuk menjalankan perintah tersebut pada Python dapat ditulis dengan : 43

66 if jarak_simpang>0: ser.write('%3d,' % sudut ) elif jarak_simpang<0: ser.write('%3dp' % sudut ) Pada bagian penerima, proses penerimaan karakter yang dikirim terjadi bertahap dalam setiap karakter dan kemudian disimpan terlebih dahulu dalam buffer sebelum nantinya akan diproses lebih lanjut. Pada Tugas Akhir ini penerimaan serial dikerjakan dengan flowchart dibawah ini. Mulai Counter=0 Buffer[3] Membaca serial per byte Y Ada data? Y Data dimasukkan dalam buffer Buffer[counter] counter=counter+1 Counter>3 Y Diperoleh sudut dan orientasi T T Gambar 3.33 Flowchart Penerima Arduino Data yang diterima dalam bentuk string kemudian diubah dalam bentuk integer untuk kemudian mengatur pergerakan servo. 44

67 4 BAB IV PENGUJIAN SISTEM Pada bab ini dilakukan pengujian dari sistem yang telah dibuat pada bab sebelumnya. Pengujian bertujuan untuk mengetahui hasil kerja sistem dalam mendeteksi marka jalan dan melakukan navigasi. 4.1 Pengujian Kemampuan Deteksi Lintasan Kamera sebagai sensor visual digunakan untuk menangkap citra lintasan, kemudian citra tersebut akan diolah sehingga marka jalan dapat terdeteksi. Kemampuan deteksi marka tersebut dapat berpengaruh pada kinerja sistem dalam melakukan navigasi, untuk itu perlu dilakukan pengujian terhadap kemampuan sistem pendeteksi marka. Pengujian ini menggunakan miniatur mobil yang telah dimodifikasi dan dilengkapi kamera sesuai dengan perancangan pada bab 3, modem yang digunakan sebagai media remote desktop communication antara laptop dan Raspberry Pi, serta lintasan dengan garis marka yang akan dideteksi. Pengujian yang dilakukan dengan menjalankan program pendeteksi marka jalan pada Raspberry Pi, kemudian kamera diarahkan pada bagian lintasan yang lurus, belok kanan, dan belok kiri. Pada marka yang terdeteksi akan muncul titik berwarna merah, titik tersebut merupakan centroid dari marka. Pada tengah citra akan muncul titik berwaarna hijau yang merupakan titik tengah antara dua marka yang digunakan sebagai arah navigasi. Gambar 4.1 Deteksi Lintasan Lurus 45

68 Pada saat miniatur mobil melalui lintasan lurus dapat terdeteksi marka jalan sisi kiri dan sisi kanan, hal ini ditandai dengan adanya titik berwarna merah pada kedua sisi marka. Titik berwarna hijau pada cittra merupakan titik diantara dua marka yang terdeteksi. Letak titik tengah tersebuat dapat bergeser kekiri atau kenanan dari titik acuan(titik tengah citra, nilai piksel x=320). Pergeseran tersebut terjadi akibat nilai centroid yang terdeteksi pada marka kiri dan kanan sering berganti. Gambar 4.2 Deteksi Lintasan Belok Kanan Gambar 4.2 menunjukkan bahwa pada saat miniatur mobil berada pada tikungan kanan, marka jalan sisi kanan tidak terseteksi. Untuk mencari titik tengah, nilai piksel centroid kanan akan dianggap 640(lebar citra) kemudian dijumlahkan dengan nilai centroid kiri dan dibagi dua. Sebaliknya saat marka kiri tidak terseteksi maka nilai dari centroid marka kanan akan dibagai dua. Titik tengah antara dua marka mengalami pergeseran ke kanan. Ini berarti mobil akan berbelok ke kanan. Gambar 4.3 Deteksi Lintasan Belok kiri 46

69 Pada gambar 4.3 marka kiri tidak terdeteksi, namun titik tengah masih dapat dicari dengan memberi nilai marka dikiri nol. Pergeseran titik tengah ke arah kiri, berarti mobil harus berbelok ke kiri. Dari pengujian pada subab 4.1 tentang kemampuan deteksi marka jalan didapatkan pendeteksian marka jalan dengan metode pencarian kontur dan segmentasi warna dapat berjalan dengan baik. Titik tengah sebagai referensi navigasi miniatur mobil dapat berjalan dengan baik pada lintasan yang ada, hal ini ditandai dengan pergeseran titik tengah yang sesuai dengan arah garis marka. 4.2 Pengujian Kemampuan Deteksi Lintasan pada Intensitas Cahaya Tertentu Kamera memanfaatkan cahaya yang memantul dari objek untuk menangkap citra objek tersebut, besarnya intensitas cahaya yang memantul dari objek dapat mempengaruhi kemampuan kamera dalam menangkap citra. Pengaruh intensitas cahaya terhadap kemampuan menangkap citra objek dapat diuji dengan melakukan pendeteksian marka jalan pada lintasan dengan intensitas cahaya tertentu. Pengujian ini dilakukan pada lingkungan dengan intensitas cahaya 13lx, 23lx, 29lx, 39lx, dan 145lx. Mobil diletakkan pada jarak tertentu terhadap marka jalan dan dianalisa sudut servo yang didapatkan. Data pengujian dapat dilihat pada tabel 4.1 hingga tabel 4.5. Tabel 4.1 Kemampuan Deteksi Marka Pada Intensitas 13lx no. jarak terhadap marka kiri(cm) Status Marka 1 1 terdeteksi 2 2 terdeteksi 3 3 terdeteksi 4 4 terdeteksi 5 5 terdeteksi 6 6 terdeteksi 7 7 terdeteksi 8 8 terdeteksi 9 9 terdeteksi 10 10,5 terdeteksi terdeteksi 47

70 no. jarak terhadap marka kiri(cm) Status Marka terdeteksi terdeteksi terdeteksi terdeteksi terdeteksi terdeteksi terdeteksi terdeteksi terdeteksi Tabel 4.2 Kemampuan Deteksi Marka Pada Intensitas 23lx no. jarak terhadap marka kiri(cm) Status Marka 1 1 terdeteksi 2 2 terdeteksi 3 3 terdeteksi 4 4 terdeteksi 5 5 terdeteksi 6 6 terdeteksi 7 7 terdeteksi 8 8 terdeteksi 9 9 terdeteksi 10 10,5 terdeteksi terdeteksi terdeteksi terdeteksi terdeteksi terdeteksi terdeteksi terdeteksi 48

71 no. jarak terhadap marka kiri(cm) Status Marka terdeteksi terdeteksi terdeteksi Tabel 4.3 Kemampuan Deteksi Marka Pada Intensitas 29lx no. jarak terhadap marka kiri(cm) Status Marka 1 1 terdeteksi 2 2 terdeteksi 3 3 terdeteksi 4 4 terdeteksi 5 5 terdeteksi 6 6 terdeteksi 7 7 terdeteksi 8 8 terdeteksi 9 9 terdeteksi 10 10,5 terdeteksi terdeteksi terdeteksi terdeteksi terdeteksi terdeteksi terdeteksi terdeteksi terdeteksi terdeteksi terdeteksi 49

72 Tabel 4.4 Kemampuan Deteksi Marka Pada Intensitas 39lx no. jarak terhadap marka kiri(cm) Status Marka 1 1 Terdeteksi 2 2 Terdeteksi 3 3 Terdeteksi 4 4 Terdeteksi 5 5 terdeteksi 6 6 terdeteksi 7 7 terdeteksi 8 8 terdeteksi 9 9 terdeteksi 10 10,5 terdeteksi terdeteksi terdeteksi terdeteksi terdeteksi terdeteksi terdeteksi terdeteksi terdeteksi terdeteksi terdeteksi Tabel 4.5 Kemampuan Deteksi Marka Pada Intensitas 145lx no. jarak terhadap marka kiri(cm) Status Marka 1 1 terdeteksi 2 2 terdeteksi 3 3 terdeteksi 4 4 terdeteksi 5 5 terdeteksi 50

73 no. jarak terhadap marka kiri(cm) Status Marka 6 6 terdeteksi 7 7 terdeteksi 8 8 terdeteksi 9 9 terdeteksi 10 10,5 terdeteksi terdeteksi terdeteksi terdeteksi terdeteksi terdeteksi terdeteksi terdeteksi gagal gagal gagal Dari data tabel 4.1 hingga tabel 4.4 pendeteksian marka memiliki tingkat keberhasilan 100%. Terdapat error pendeteksian pada intensitas 145lx. Dimana pada data pendeteksian no.18 sampai 20 tabel 4.5 status marka jalan tidak terdeteksi. Dari hal tersebut dapat disimpulkan bahwa pada intensitas cahaya yang menyilaukan, kinerja sistem dapat terganggu. 4.3 Pengujian Kemampuan Tracking Marka Kemampuan algoritma pendeteksi marka jalan dalam melakukan tracking marka dapat mempengaruhi kinerja sistem. Kemampuan tersebut dapat diuji dengan menjalankan program pengolah citra, kemudian mobil didorong dari lintasan lurus hingga melalui lintasan yang berbelok dan kembali melalui lintasan lurus, pada saat mobil berjalan akan diamati perubahan kondisi marka dan titik navigasipada tampilan citra di monitor. Hasil dari pengamatan tersebut dapat dilihat pada gambar 4.4. Pada gambar 4.4, lingkaran merah merupakan penanda pada marka yang terdeteksi, dan lingkaran kuning merupakan penanda pada titik tengah antara dua marka yang didapat. Pada tahap gammbar a, lintasan 51

74 yang dilalui merupakan lintasan yang lurus dan dua marka terdeteksi, titik tengah pada tahap ini relatif berada disekitar titik acuan( tengah citra). Pada tahap b, marka kanan tidak terdeteksi, dan titik tengah mulai bergeser ke kanan. Pada tahap c hingga tahap e, marka kanan belum terdeteksi dan titik tengah semakin bergeser ke kanan, hal ini diakibakan oleh pergeseran marka kiri yang tertangkap pada citra semakin ke kanan. Pada tahap f marka kanan terdeteksi dan titik tengah kembali pada tengah citra. Dari hasil pengujian ini dapat disimpulkan bahwa tracking marka jalan dapat berjalan dengan baik. a b c d e f Gambar 4.4 Kemampuan Tracking Lintasan 52

75 4.4 Pengujian Kecepatan Respon Sistem Kecepatan servo dalam merespon perubahan posisi marka sangat berpengaruh pada kinerja sistem dalam menjaga mobil tetap pada jalurnya. Karena hal tersebut, perlu dilakukan pengujian respon sistem untuk mengetahui kecepatan responnya, semakin cepat respon servo maka mobil dapat melaju pada kecepatan yang lebih tinggi. sebaliknya, jika respon servo lambat, maka mobil harus berjalan lebih lembat agar tetap berada pada jalurnya. Gambar 4.5 Pengujian Kecepatan Respon Sistem Pengujian ini dilakukan menggunakan sebuah stopwatch sebagai penghitung waktu respon, miniatur mobil yang telah dimodifikasi dan lintasan yang akan dideteksi. Saat pengujian, mobil diangkat sedikit dan kamera diarahkan pada lintasan, kemudian mobil digerakan dengan cepat, sehingga posisi marka jalan pada citra akan berubah dan servo bergerak, penghitungan waktu dimulai saat mobil digerakkan hingga servo selesai merespon perubahan posisi marka. Pengujian diulang sebanyak 30 kali kemudian dicari waktu respon rata-rata dari sistem. Tabel 4.1 pada lampiran C merupakan data hasil pengujian respon sistem yang diambil pada 5 juni Berdasarkan tabel 4.1 dapat dibuat grafik perubahan waktu respon sistem, didapatkan waktu tercepat respon sistem adalah 0,22 detik dan waktu terlama respon adalah 0,91 detik. Grafik hasil pengujian dapat dilihat pada gambar

76 Tabel 4.6 Waktu respon Sistem Gambar 4.6 Grafik Respon Sistem Dari data tersebut didapatkan rata-rata waktu respon adalah 0,5248 detik. Hal ini disebabkan oleh algoritma pengolahan citra yang membutuhkan komputasi tinggi serta komunikasi antara Raspberry Pi dengan mikrokontroller yang menggerakkan servo dapat menimbulkan delay. Dapat disimpulkan sistem navigasi dapat berjalan dengan baik, namun masih terdapat jeda waktu respon,sehingga sistem tidak realtime. 4.5 Pengujian Kemampuan Pemandu Navigasi Kemampuan miniatur mobil dalam melakukan navigasi dipengaruhi oleh peletakan kamera. Pengan posisi kamera yang tepat, maka lintasan dapat tedeteksi dengan baik sehingga kontrol navigasi dapat dilakukan. Dalam hal ini, miniatur mobil mengalami keterbatasan dalam merespon tikungan dengan sudut tertentu, untuk itu dilakukan pengujian agar dapat diketahui kemampuan mobil dalam melakukan navigasi. Pengujian dilakukan pada lintasan berbentuk angka 0 seperti pada gambar

77 Gambar 4.7 Lintasan Pengujian dilakukan dengan memposisikan miniatur mobil bagian lintasan yang lurus dengan besar sudut tertentu. Pada saat pertama kali dijalankan miniatur mobil akan menemui lintasan dengan variasi besar sudut yang digunakan adalah 90,75,50,30, dan 0 terhadap lintasan lurus, kemudian diamati kemampuan sistem Gambar 4.8 Besar Sudut Uji Dari pengujian Tersebut, diperoleh hasil kinerja sistem ketika melalui lintasan dengan kemiringan tertentu sebagai berikut. 55

78 Tabel 4.7 Uji Kemampuan Navigasi Dengan Kemiringan 90 No. kemiringan Deteksi marka Kontrol Navigasi Eksekusi 1 90 terdeteksi lurus Berhasil 2 90 terdeteksi lurus Berhasil 3 90 terdeteksi lurus Berhasil 4 90 terdeteksi lurus Berhasil 5 90 terdeteksi lurus Berhasil 6 90 terdeteksi lurus Berhasil 7 90 terdeteksi lurus Berhasil 8 90 terdeteksi lurus Berhasil 9 90 terdeteksi lurus Berhasil terdeteksi lurus Berhasil Berdasarkan tabel 4.2 diperoleh hasil eksekusi terhadap lintasan dengan kemiringan 90 berjalan sempurna dengan tingkat keberhasilan 100% dari 10 kali percobaan. Hal ini disebabkan pada saat mobil melalui lintasan, kedua marka masuk dalam jangkauan field of view. Tabel 4.8 Uji Kemampuan Navigasi Dengan Kemiringan 75 No. kemiringan Deteksi marka Kontrol Navigasi Eksekusi 1 75 terdeteksi Belok Berhasil 2 75 terdeteksi Belok Berhasil 3 75 terdeteksi Belok Berhasil 4 75 terdeteksi Belok Berhasil 5 75 terdeteksi Belok Berhasil 6 75 terdeteksi Belok Berhasil 7 75 terdeteksi Belok Berhasil 8 75 terdeteksi Belok Berhasil 9 75 terdeteksi Belok Berhasil terdeteksi Belok Berhasil 56

79 Tabel 4.4 menunjukkan kontrol navigasi pada lintasan dengan kemiringan 75 dapat dilakukan dengan tingkat keberhasilan 100%. Tabel 4.9 Uji Kemampuan Navigasi Dengan Kemiringan 50 No. kemiringan Deteksi marka Kontrol Navigasi Eksekusi 1 50 Terdeteksi Belok Berhasil 2 50 Terdeteksi Belok Berhasil 3 50 Terdeteksi Belok Berhasil 4 50 Terdeteksi Belok Berhasil 5 50 Terdeteksi Belok Berhasil 6 50 Terdeteksi Belok Berhasil 7 50 Terdeteksi Belok Berhasil 8 50 Terdeteksi Belok Berhasil 9 50 Terdeteksi Belok Berhasil Terdeteksi Belok Berhasil Dari tabel 4.4 didapatkan mobil masih mampu merespon lintasan dengan baik pada kemiringan 50 dengan tingkat keberhasilan 100%. Tabel 4.10 Uji Kemampuan Navigasi dengan kemiringan 30 No. kemiringan Deteksi marka Kontrol Navigasi Eksekusi 1 30 Gagal Tanpa Aksi gagal 2 30 Gagal Tanpa Aksi gagal 3 30 Gagal Tanpa Aksi gagal 4 30 Gagal Tanpa Aksi gagal 5 30 Gagal Tanpa Aksi gagal 6 30 Gagal Tanpa Aksi gagal 7 30 Gagal Tanpa Aksi gagal 8 30 Gagal Tanpa Aksi gagal 9 30 Gagal Tanpa Aksi gagal Gagal Tanpa Aksi gagal 57

80 Dari tabel 4.5 didapatkan tingkat keberhasilan 0% karena pada tingkat kemiriingan tersebut, marka jalan sudah tidak terdeteksi, sehingga tidak ada aksi kontrol yang dihasilka. Tabel 4.11 Uji Kemampuan Navigasi Dengan Kemiringan 0 No. kemiringan Deteksi marka Kontrol Navigasi Eksekusi 1 0 Gagal Tanpa Aksi gagal 2 0 Gagal Tanpa Aksi gagal 3 0 Gagal Tanpa Aksi gagal 4 0 Gagal Tanpa Aksi gagal 5 0 Gagal Tanpa Aksi gagal 6 0 Gagal Tanpa Aksi gagal 7 0 Gagal Tanpa Aksi gagal 8 0 Gagal Tanpa Aksi gagal 9 0 Gagal Tanpa Aksi gagal 10 0 Gagal Tanpa Aksi gagal Pada lintasan dengan kemiringan 0, miniatur tidak dapat mendeteksi marka jalan sehingga tidak ada aksi kontrol yang dihasilkan. Setelah melakukan uji coba dengan lintasan yang beragam, kemudian dilakukan uji kinerja miniatur mobil secara keseluruhan dengan mengelilingi lintasan berlawanan arah jarum jam sebanyak 10 kali. Dari pengujian ini diperoleh hasil seperti pada tabel 4.7. Tabel 4.12 Pengujian Sistem Secara Keseluruhan Berlawanan Arah Jarum Jam no. Lurus Tikungan berhasil berhasil berhasil gagal berhasil berhasil 2 berhasil berhasil berhasil berhasil berhasil berhasil 3 berhasil berhasil berhasil berhasil berhasil berhasil 4 berhasil berhasil berhasil berhasil berhasil berhasil 5 berhasil berhasil berhasil berhasil berhasil gagal 6 berhasil berhasil berhasil berhasil berhasil berhasil 58

81 no. Lurus Tikungan berhasil berhasil berhasil berhasil gagal berhasil 8 berhasil berhasil berhasil berhasil berhasil berhasil 9 berhasil berhasil berhasil gagal berhasil berhasil 10 berhasil berhasil berhasil berhasil berhasil berhasil Pada tabel 4.7 didapatkan sebanyak 6 putaran dapat dilalui tanpa kendala. Empat lainnya mengalami kendala pada tikungan tertentu, kendala pada tikungan tersebut terjadi karena saat berbelok sudut yang belokan yang dilakukan tidak sesuai dengan sudut lintasan, sehingga marka berada di luar field of view dan tidak dapat dideteksi oleh kamera. Sedangkan tingkat keberhasilan pada lintasan lurus adalah 100%. Tabel 4.13 Pengujian Sistem Secara Keseluruhan Searah Jarum Jam no. Lurus Tikungan berhasil berhasil berhasil berhasil berhasil gagal 2 berhasil berhasil berhasil berhasil berhasil berhasil 3 berhasil berhasil gagal berhasil berhasil berhasil 4 berhasil berhasil berhasil berhasil berhasil berhasil 5 berhasil berhasil berhasil berhasil berhasil berhasil 6 berhasil berhasil berhasil gagal berhasil berhasil 7 berhasil berhasil berhasil berhasil berhasil berhasil 8 berhasil berhasil berhasil berhasil berhasil berhasil 9 berhasil berhasil berhasil berhasil gagal berhasil 10 berhasil berhasil berhasil berhasil berhasil berhasil Pada pengujian keseluruhan sistem searah jarum jam didapatkan 6 kali putaran tanpa kendala dari 10 kali putaran yang dilakukan. Pada lintasan lurus, perintah navigasi yang dihasilkan berjalan sempurna, namun pad beberapa tikungan terjadi kesalahan deteksi marka. Dari pengujian keseluruhan sistem didapatkan persentase keberhasilan adalah 60%. 59

82 --- --Halaman ini sengaja dikosongkan

83 5 BAB V PENUTUP 5.1 Kesimpulan Berdasarkan pengujian dan analisa Algoritma Pendeteksi Marka Jalan Berbasis Pengolahan Citra Sebagai Pemandu Navigasi Pada Miniatur Mobil pada bab 4, diperoleh beberapa kesimpulan sebagai berikut : 1. Segmentasi citra berdasarkan warna dan deteksi kontur pada citra dapat digunakan untuk mendeteksi dan melakukan tracking terhadap marka jalan, hal ini dapat dibuktikan pada pengujian 4.1, 4.2, dan Sistem mampu melakukan tracking pada lingkungan yang tidak menyilaukan. 3. Sistem yang dibuat membutuhkan rata-rata waktu 0,5248 detik untuk melakukan proses penangkapan citra hingga menggerakkan servo, hal ini dikarenakan proses pengolahan citra dan komunikasi antara Raspberry dan mikrokontroller, dibuktikan pada pengujian Pada pengujian 4.5, sistem yang telah dibuat mampu melakukan navigasi pada sudut lintasan serta pengujian keseluruhan sistem dalam mengelilingi lintasan diperoleh tingkat keberhasilan 60% pada kecepatan 0,48 m/s. 5.2 Saran Pada Tugas Akhir dan pengembangan selanjutnya penulis memberikan beberapa saran sebagai berikut ini: 1. Pengolahan citra dapat dikembangkan agar mampu membedakan jenis marka jalan yang beragam dan mampu melewati lintasan yang memiliki jalur bercabang. 2. Penambahan sensor intensitas cahaya agar mampu melakukan thresholding warna secara otomatis. 61

84 --- --Halaman ini sengaja dikosongkan

85 6 DAFTAR PUSTAKA [1] Adi Sulistyawan, 2009, Rancang Bangun Sistem Penjejak Marka Jalan Berbasis Kamera Untuk Navigasi Kendaraan, Tugas Akhir, Teknik Elektro FTI-ITS, Surabaya. [2] Ebit Nur Alfian, 2012, Autonomous Mobile Robot Dengan Sisem Navigasi Menggunakna Garis Marka Jalan, Proyek Akhir, Teknik Elektro PENS, Surabaya. [3] Gary Bradski and Adrian Kaehler, 2008, Learning OpenCV, Sebastopol, O Reilly. [4] Gonzalez, Rafael C. and Richard E. Woods, 2002, Digital Image Processing, New Jersey, Prentice-Hall. [5] Howse, Joseph., 2013, OpenCV Computer Vision with Phyton, Birmingham, Packt. [6] Lelis Baggio Daniel, et al, 2012, "Mastering OpenCV with Practical Computer Vision Project", Brimingham, Packt. [7] Samarth Brahmbhatt, 2013, "Practical OpenCV", New York, Springer. [8] Solem, Jan Erik., 2012, Programming Computer Vision with Phyton, Sebastopol, O Reilly. [9] Wahana Komputer, 2013, Ragam Aplikasi Pengolahan Image dengan Matlab, Jakarta, PT Alex Media Komputindo. [10] Badan Pusat Statistik, 2014, Perkembangan Jumlah Kendaraan Bermotor Menurut Jenis Tahun , 27 Desember [11] Dokumentasi OpenCV, Changing Colorspaces, tml, 6 april [12] Dokumentasi OpenCV, Contours in OpenCV, tents_contours.html, 8 april [13] Dokumentasi OpenCV, Mhorphological Transformations, 63

86 al_ops.html, 6 april [14] Dokumentasi OpenCV, Smoothing Images, 6 april [15] Dokumentasi OpenCV, Threshold, html, 5 april [16] EUR-Lex, 2010, Directive 2010/40/Eu Of The European Parliament And Of The Council Of 7 July 2010, 27 Desember

87 7 LAMPIRAN A A.1 Program Pengolahan Citra Program Pengolahan Citra import numpy as np import cv2 import serial import math import time ser=serial.serial('/dev/ttyacm0',9600,timeout=100) cam = cv2.videocapture(-1) cam.set(4, 480) cam.set(3, 640) stp = 320 tbroi = 180 while(true): ctime=time.time() # Capture the frames _, frame = cam.read() #Range Of Interest roi = frame[300:480,0:640] kiri=roi[0:10,0:260] kanan=roi[0:10,380:640] #gaussian Blur blurki=cv2.gaussianblur(kiri,(5,5),0) blurka=cv2.gaussianblur(kanan,(5,5),0) #convert to HSV image hsvki=cv2.cvtcolor(blurki,cv2.color_bgr2hsv) hsvka=cv2.cvtcolor(blurka,cv2.color_bgr2hsv) #define HSV parameter bawah = np.array([40,0,196])#([0,0,221]) atas = np.array([196,255,255])#([140,84,255]) #tresholding Via Color treshki = cv2.inrange(hsvki, bawah,atas) 65

88 treshka = cv2.inrange(hsvka, bawah,atas) #binary image _,binki = cv2.threshold(treshki,0,255,cv2.thresh_binary+cv2.thresh_ot SU) _,binka = cv2.threshold(treshka,0,255,cv2.thresh_binary+cv2.thresh_o TSU) binki=cv2.erode(binki,none,iterations=15) binka=cv2.erode(binka,none,iterations=15) #binki=cv2.dilate(binki,none,iterations=1) #binka=cv2.dilate(binka,none,iterations=1) #Finding Contour contourki,_ = cv2.findcontours(binki.copy(),cv2.retr_tree,cv2.chain_appro X_SIMPLE) contourka,_ = cv2.findcontours(binka.copy(),cv2.retr_tree,cv2.chain_appro X_SIMPLE) if len(contourki)>0 and len(contourka)>0: ki = max(contourki, key=cv2.contourarea) ka = max(contourka, key=cv2.contourarea) A= cv2.moments(ki) B= cv2.moments(ka) #find Centroid without stack if A['m00']>0 and B['m00']>0 : ax = int(a['m10']/a['m00']) ay = int(a['m01']/a['m00']) bx = int(b['m10']/b['m00']) by = int(b['m01']/b['m00']) else: ax = int(a['m10']) ay = int(a['m01']) bx = int(b['m10']) by = int(b['m01']) tengahkiri = ax 66

89 tengahkanan = bx tengahdrive = (tengahkiri + tengahkanan)/2 datatengah = tengahdrive cv2.circle(roi,(int(tengahdrive),80), 3, (0,255,0), -1) taroi = stp - datatengah tmroi = math.sqrt(tbroi*tbroi+taroi*taroi) cosroi= (tbroi*tbroi+tmroi*tmroi-taroi*taroi)/(2*tbroi*tmroi) theta = int(math.degrees(math.acos(cosroi))) if taroi>0: ser.write('%3d,' % theta ) print ",=",theta elif taroi<0: ser.write('%3dp' % theta ) print "p=",theta elif len(contourki)>0 and len(contourka)<=0: ki = max(contourki, key=cv2.contourarea) A= cv2.moments(ki) if A['m00']>0:# and B['m00']>0 : ax = int(a['m10']/a['m00']) ay = int(a['m01']/a['m00']) else: ax = int(a['m10']) ay = int(a['m01']) tengahkiri = ax tengahdrive = tengahkiri+315 datatengah = tengahdrive cv2.circle(roi,(int(tengahdrive),40), 3, (0,255,0), -1) taroi = stp - datatengah tmroi = math.sqrt(tbroi*tbroi+taroi*taroi) cosroi= (tbroi*tbroi+tmroi*tmroi-taroi*taroi)/(2*tbroi*tmroi) theta = int(math.degrees(math.acos(cosroi))) if taroi>0: ser.write('%3d,' % theta ) print ",=",theta 67

90 elif taroi<0: ser.write('%3dp' % theta ) print "p=",theta elif len(contourki)<=0 and len(contourka)>0: ka = max(contourka, key=cv2.contourarea) B= cv2.moments(ka) #find Centroid without stack if B['m00']>0:# and B['m00']>0 : bx = int(b['m10']/b['m00']) by = int(b['m01']/b['m00']) else: bx = int(b['m10']) by = int(b['m01']) tengahkanan = bx tengahdrive = tengahkanan-315 datatengah = tengahdrive cv2.circle(roi,(int(tengahdrive),40), 3, (0,255,0), -1) taroi = stp - datatengah tmroi = math.sqrt(tbroi*tbroi+taroi*taroi) cosroi= (tbroi*tbroi+tmroi*tmroi-taroi*taroi)/(2*tbroi*tmroi) theta = int(math.degrees(math.acos(cosroi))) if taroi>0: ser.write('%3d,' % theta ) print ",=",theta elif taroi<0: ser.write('%3dp' % theta ) print "p=",theta else: print 'Aku nggak lihat garis nih, gimana dong?' 68

91 #draw centroid cv2.imshow('kanan',binka) cv2.imshow('kiri',binki) ptime=time.time() xtime=ptime-ctime if cv2.waitkey(1) & 0xFF == ord('q'): break 69

92 A.2 Program Penggerak Servo #include <Servo.h> Servo a; String concatstr; int myvalues[3]; byte counter; void setup() { Serial.begin(9600); a.attach(9); pinmode(7,output) ; pinmode(8,output) ; pinmode(3,output) ; digitalwrite(7,high); digitalwrite(8,low); } void loop() { if(serial.available()!=0) { 70

93 char c = Serial.read(); if( c == 'p' ) { if( counter == 3 ) //Array size is set to 10, when full, reset and redo { memset(myvalues, 0, sizeof(myvalues)); counter = 0; } int m = myvalues[counter]=concatstr.toint(); counter++; concatstr = ""; int xxx=82; int yyy=150+m; analogwrite(3,yyy); int zzz= xxx+m; if (zzz<50){ a.write(50); } else if(zzz>115){ a.write(115); 71

94 } else{ a.write(zzz); } } else if( c == ',' ) { if( counter == 3 ) //Array size is set to 10, when full, reset and redo { memset(myvalues, 0, sizeof(myvalues)); counter = 0; } int m = myvalues[counter]=concatstr.toint(); counter++; concatstr = ""; int xxx = 82; int yyy=150+m; analogwrite(3,yyy); int zzz = xxx-m; if (zzz<50){ 72

95 a.write(50); } else if(zzz>115){ a.write(115); } else{ a.write(zzz); } } else { concatstr += c; } } Serial.flush(); } 73

96 -----Halaman ini sengaja dikosongkan

97 8 LAMPIRAN B B.1 Datasheet Raspberry Pi 75

98 76

99 B.2 Datasheet Arduino Uno R3 77

100 B.3 Datasheet Servo MG90S 78

101 B.4 Spesifikasi Webcam M-Tech WB

102 80

103 B.5 Datasheet Driver Motor L298N 81

104 82

105 9 LAMPIRAN C C.1 Data Waktu Respon Sistem Tabel 4.6 Waktu respon Sistem nomer waktu 1 0,91 2 0,55 3 0,54 4 0,62 5 0,6 6 0,53 7 0,54 8 0,76 9 0, , , , , , , , , , , ,445 83

106 nomer waktu 21 0, ,4 23 0, , , ,4 27 0,4 28 0, ,4 30 0,39 C.2 Data Sudut Navigasi jarak simpang(pixel) Sudut Terkirim

107 jarak simpang(pixel) Sudut Terkirim

108 jarak simpang(pixel) Sudut Terkirim

109 jarak simpang(pixel) Sudut Terkirim

110 jarak simpang(pixel) Sudut Terkirim

111 jarak simpang(piksel) Sudut Terkirim

112 C.3 Dokumentasi Pengujian Pengaruh Intensitas Cahaya 90

113 C.4 Dokumentasi Pengujian Kemampuan Navigasi 91