BAB II LANDASAN TEORI

BAB II LANDASAN TEORI 2.1 Obyek Obyek yang akan dideeksi pada peneliian ini mempunyai benuk dan warna yang elah dienukan. Obyek pada peneliian ini diunjukkan pada Gambar 2.1. Gambar 2.1. Bola Tenis Beriku ini adalah spesifikasi bola enis yang akan dijadikan obyek peneliian ini: a. Warna : Hijau b. Diameer : 65,4 68,8 mm c. Bera : 56,7 58,5 gram d. Bahan : Kare Fel 7

8 2.2 Objec Deecion Deeksi obyek adalah proses pendeeksian dari obyek yang elah dienukan. Pendeeksian obyek pada peneliian ini menggunakan meode Hough Transform. Hough ransform merupakan sebuah eknik eksraksi fiur yang digunakan dalam pengolahan cira. Transformasi klasik mengidenifikasi gari-garis dalam sebuah cira, kemudian akhirnya digunakan unuk idenifikasi posisi pada benuk yang berubah-ubah. Eksraksi fiur dari cira digial, sanga berguna unuk mencari garis yang lurus, lingkaran, dan elips. Hough ransform berdasarkan pada poin-poin fiur yang dieksrak dari cira asli, dan biasanya epi digunakan sebagai poin-poin fiurnya. Berbagai macam meode deeksi epi digunakan unuk aplikasi-aplikasi yang berbeda. Meode-meode yang erkenal unuk mendeeksi benuk lingkaran aaupun benuk elips adalah CHT (Circle Hough Transform) dan EHT (Ellipical Hough Transform). Gambar 2.2 merupakan meode Circle Hough Transform. Gambar 2.2. Meode Circle Hough Transform

9 Meode Circle Hough Transform digunakan unuk mendeeksi keberadaan karakerisik dari lingkaran yang elah diulis. Pada lingkaran dilakukan pemberian nilai hreshold erenu yang dapa digunakan dalam ahap pengenalan cira yang diuji. Pada lingkaran dapa digambarkan dalam ruang parameer sehingga sumbu x adalah nilai a dan sumbu y adalah nilai b. Sedangkan sumbu z adalah jari-jari (Velenine Y. C., Erin, Angreni, & Alamsyah, 2016). Sebuah pola lingkaran berdasarkan pada persamaan : 2 2 2 ( x a) + ( y b) = r (2.1) Dimana a dan b adalah koordina pusa dalam arah x dan y sesuai dengan r yang adalah radius dari lingkaran. x = a + r cosθ (2.2) y = b + r sinθ (2.3) Sebuah lingkaran didefinisikan oleh 3 parameer : koordina pusa (a,b) dan radius/jari-jari (r), ruang hough adalah ruang 3 dimensi, dengan Z- axis sebagai lingkaran (Derek, 2014). Meode Circle Hough Transform bisa digunakan dalam mendeeksi kemunculan bulan sabi. Pendeeksian ersebu diujukan unuk memudahkan masyaraka muslim dalam menenukan awal bulan Hijriyah. Mengamai bulan sabi bukanlah pekerjaan yang ringan, sebab meskipun bulan sabi berada diaas ufuk saa maahari erbenam eapi bulan sabi belum enu bisa diamai. Hasil dari pendeeksian kemunculan bulan sabi diunjukkan pada Gambar 2.3.

10 Gambar 2.3. Circle Hough Transform 2.3 Model Warna HSV Model warna HSV mendefiniskan warna dalam erminologi Hue, Sauraion, dan Value. Hue menyaakan warna sebenarnya, seperi merah, viole, dan kuning. Hue digunakan unuk membedakan warna-warna dan menenukan kemerahan (redness), Kehijauan (greenness), dsb dari cahaya. Hue berasosiasi dengan panjang gelombang cahaya. Sauraion menyaakan ingka kemurnian suau warna, yaiu mengindikasikan seberapa banyak warna puih diberikan pada warna. Value adalah aribu yang menyaakan banyaknya cahaya yang dierima oleh maa anpa memperdulikan warna. Selain iu jarak warna HSV adalah murni dan konsepnya yang hampir seragam maka proses kuaniasi pada HSV dapa dihasilkan dari mengumpulkan warna yang pada dan lengkap. Nilai hue anara 0 sampai 1 berari warna anara merah melewai kuning, hijau, cyan, biru dan magena dan kembali menjadi merah. Nilai sauraion anara 0 sampai 1 berari dari idak ersaurasi (keabuan) sampai

11 ersaurasi penuh (idak puih). Nilai value aau brighness anara 0 sampai 1 berari warna semakin cerah seperi diunjukkan pada Gambar 2.4. Gambar 2.4. Model warna HSV Karena model warna HSV merupakan model warna yang diurunkan dari model warna RGB, maka unuk mendapakan warna HSV ini kia harus melakukan proses konversi warna dari RGB ke HSV. HSV merupakan salah sau cara unuk mendefinisikan warna yang didasarkan pada roda warna. Hue merupakan variable yang menyaakan warna dari merah hingga viole,. Hue mengukur sudu sekiar roda warna (merah pada 0, 120 di hijau, dan biru di 240 ). Nilai dari Hue berkisar anara 0 sampai dengan 360. Skala Hue diunjukkan pada Gambar 2.5. Gambar 2.5. Skala Hue

12 Sauraion merupakan variable yang menyaakan vibrancy dari suau warna, sauraion bisa disebu juga dengan puriy. Semakin kecil nilai dari Sauraion, maka warna yang diampilkan condong ke warna abu-abu. Skala nilai dari Sauraion berkisar anara 0% hingga 100%. Value menunjukkan nilai kecerahan dari suau warna. Skala dari value berkisar anara 0% hingga 100%. Perhiungan konversi RGB menjadi HSV dapa dirumuskan sebagai beriku: H S V 3( G B) ( ) ( ) R G + R B = an (2.4) ( R, G, B) min = 1 (2.5) V R + G + B = (2.6) 3 Pada rumus di aas, apabila S = 0, maka H idak dapa dienukan. Unuk iu diperlukan normalisasi RGB erlebih dahulu dengan rumus beriku: R r = R + G + B (2.7) G g = R + G + B (2.8) B b = R + G + B (2.9) Seelah nilai r, g, dan b sudah dinormalisasi, maka rumus unuk ransformasi RGB ke HSV sebagai beriku: V = max( r, g, b) (2.10)

13 0 S = min( r, g, b) V V Jika V = 0 Jika V > 0 (2.11) H 60*( 0 g b) S * V = ( b r) 60* 2 + S * V ( r g) 60* 4 + S * V Jika S = 0 Jika V = r Jika V = g Jika V = b (2.12) H = H + 360 Jika H < 0 (2.13) Model memisahkan komponen inensias dari cira warna, sehingga model ini merupakan model yang ideal unuk mengembangkan algorima pemrosesan cira yang inuiif dan naural (Rakhmawai, 2013). 2.4 Objec Tracking dengan Kalman Filer Pelacakan obyek pada peneliian ini menggunakan meode Kalman filer. Kalman filer merupakan esimaor rekursif. Unuk menggunakan Kalman filer, pergerakan obyek anarframe diasumsikan konsan. Saus dari obyek yang dilacak dapa dinyaakan dengan aribu-aribu seperi posisi, kecepaan, aau ukuran obyek ersebu. Meode Kalman filer menggunakan informasi dari obyek yang erdeeksi di suau frame dan saus obyek ersebu dari frame sebelumnya unuk mendapakan saus yang baru dari obyek ersebu (Amrullah, 2011). Komponen dasar dari Kalman filer adalah vekor sae, model dinamis dan model observasi, yang diunjukkan pada Gambar 2.6.

14 Gambar 2.6. Komponen Dasar Kalman Filer Vekor sae menggambarkan sae dari sisem dinamis dan menunjukkan deraja kebebasan. Variabel di vekor sae idak dapa diukur secara langsung, eapi dapa disimpulkan dari nilai-nilai yang erukur. Elemen dari vekor sae dapa diposisikan, kecepaan, orienasi sudu, dan lain-lain. Vekor sae memiliki dua nilai pada saa yang sama; salah saunya adalah nilai yang diprediksi sebelum diupdae dan nilai poserior seelah diupdae. Proses Kalman filer merupakan proses yang menggunakan benuk konrol umpan balik: Filer memperkirakan sae proses pada beberapa waku dan kemudian memperoleh umpan balik dalam benuk pengukuran. Seperi erliha pada Gambar 2.7.

15 Gambar 2.7 Proses Kalman Filer Dengan demikian, persamaan unuk filer Kalman erbagi dalam dua kelompok: persamaan updae waku dan persamaan updae pengukuran. Persamaanupdae waku berfungsi unuk memproyeksikan kedepan (dalam waku) sae saa ini dan kovarian error berfungsi memperkirakan waku berikunya. Persamaan updae pengukuran merupakan proses umpan balik unuk menggabungkan pengukuran baru kedalam perkiraan yang mengandung perkiraan poserior yang elah diperbaiki. Persamaan updae waku juga dapa dianggap sebagai persamaan predikor, semenara persamaan updaepengukuran dapa dianggap sebagai persamaan korekor. Kalman filer digunakan unuk memperkirakan sae dari suau sisem linear dimana sae diasumsikan didisribusikan oleh Gaussian. Kalman filer adalah filer prediksi rekursif yang didasarkan pada penggunaan eknik saespace dan algorima rekursif. Sae diperkirakan dari suau sisem yang dinamik. Sisem yang dinamik ini dapa didisribusikan oleh beberapa noise, sebagian besar diasumsikan sebagai noise puih. Unuk meningkakan esimasi saekalman filer menggunakan pengukuran yang berkaian dengan

16 sae, eapi erganggu juga. Filering Kalman erdiri dari 2 langkah, yaiu prediksi dan koreksi. Pada langkah perama sae diprediksi dengan model dinamik. Langkah prediksi menggunakan model sae unuk memprediksi sae baru dari variabel. X = DX 1 + W (2.14) 1 D D + = Q (2.15) Dimana XX dan Σ adalah sae dan prediksi kovarian pada waku. D adalah mariks ransisi sae yang didefinisikan relasi anara variabel sae pada waku dan -1. Q adalah kovarian dari noise W. Demikian pula unuk nilai koreksi menggunakan observasi ZZ saa ini unuk memperbarui sae obyek. K X = M M M + R [ Z MX ] 1 (2.16) = X + K (2.17) = K M (2.18) Dimana M adalah mariks pengukuran, K adalah penguaan Kalman yang disebu sebagai persamaan Riccai digunakan unuk propagasi dari sae model. Sae XX yang diperbarui didisribusikan oleh Gaussian. Demikian pula Kalman filer dan Kalman filer exended berasumsi bahwa sae didisribusikan oleh Gaussian.

17 Pada ahap kedua ini dikoreksi dengan model observasi, jadi kovarian error dari esimaor diminimalkan. Dalam ari ini sebuah esimaor yang opimal. Kalman filer elah banyak digunakan di komunias vision unuk pelacakan. Exenden Kalman Filer (EKF) memungkinkan ransisi non-linear, bersama-sama dengan hubungan pengukuran non-linear. Unuk sandar Kalman filer, ransisi sae dari ke + 1 dapa dinyaakan dengan persamaan X +1 = Ax + W (2.19) Dimana A disebu sebagai mariks ransisi sae dan w adalah isilah noise. Isilah noise ini adalah variabel acak Gaussian dengan raa-raa nol dan mariks kovarian Q, sehingga disribusi probabiliasnya adalah ( w) N( O Q) p ~, (2.20) Kovarians mariks Q disebu sebagai kovarians mariks proses noise dalam. Hal ini membua perubahan pada proses anara dan + 1 yang belum diperhiungkan dalam mariks ransisi sae. Diasusikan bahwa w adalah independen dari xx sae. Pengukuran diambil, node y: y = Cx + w (2.21) Dimana C adalah sebuah mm nn mariks yang berelasi ke pengukuran sae. Kalman filer memperkirakan proses menggunakan benuk konrol umpan balik: filer memperkirakan proses sae pada beberapa waku dan kemudian memperoleh umpan balik dalam benuk pengukuran. Dengan

18 demikian persamaan Kalman filer erbagi dalam dua kelompok, yaiu persamaan updae waku dan persamaan updae pengukuran. a. Persamaan updae waku Pada Kalman Filer, persamaan ini berfungsi unuk memproyeksikan kedepan (dalam waku) sae saa ini dan kovarian error berfungsi memperkirakan waku berikunya. Persamaan updae waku bisa juga dianggap sebagai persamaan predikor. Persamaan khusus unuk updae waku diunjukkan persamaan di bawah ini. Kalman filer persamaan updae waku: X (2.22) k = Axk 1 + Buk 1 Keerangan: XX kk = Nilai diskri sae AAAA kk 1 =Mariks ransisi sae BBBB kk 1 = Kovarian error PP kk = Persamaan Predicor AAAA kk 1 = Marik A awal AA TT = Marik A ranspose QQ = Nilai Kovarian P T = AP 1 A Q (2.23) k k +

19 b. Persamaan updae pengukuran Pada Kalman Filer, persamaan updae pengukuran merupakan proses umpan balik unuk menggabungkan pengukuran baru kedalam perkiraan yang mengandung perkiraan poserior yang elah diperbaiki. korekor: Persamaan updae pengukuran dapa dianggap sebagai persamaan K T k = Pk H + Pk H + R (2.24) X k = X k H ^ x k (2.25) Keerangan: KK kk = Kalman Gain PP kk = Persamaan Predicor inverse HH TT = Mariks H ranspose PP kk = Persamaan Predicor H = Mariks H RR = Mariks R inverse XX kk = Nilai diskri sae XX kk = Nilai diskri sae inverse xx kk = Nilai sae ke-k

20 Sifa rekursif ini adalah salah sau fiur yang sanga menarik dari Kalman filer unuk membua implemenasi prakis jauh lebih layak. Kalman filer membalik kondisi rekursif perkiraan saa ini pada semua pengukuran yang lalu(rou, 2013). Conoh penerapan meode Kalman filer yaiu dapa digunakan unuk pengenalan benda di jalan raya. Sebagai perumpamaan, mengeahui posisi dan kecepaan dari suau mobil pada frame sebelumnya bisa digunakan unuk mendapakan perkiraan kasar dari posisi mobil di frame seelahnya. Visualisasi skema pelacakan obyek diunjukkan pada Gambar 2.8. Gambar 2.8. Visualisasi Pelacakan Obyek Pada gambar di aas, seiap lingkaran mewakili obyek-obyek erdeeksi. Idenias obyek pada frame di gambar ersebu dikeahui dengan mengamai frame sebelumnya yaiu frame -1. Pada frame erbaru +1, idenias dari obyek idak dikeahui dan harus dienukan dengan mengamai obyek pada frame sebelumnya (Amrullah, 2011).

21 2.5 OpenCV OpenCV adalah Open Source Compuer Vision. OpenCV merupakan sebuah sofware yang digunakan unuk pengolahan cira compuer vision dan machine learning. Compuer vision sendiri merupakan salah sau cabang bidang ilmu pengolahan cira yang memungkinkan kompuer dapa meliha layaknya manusia. Dengan vision ersebu kompuer dapa mengambil kepuusan, melakukan aksi, dan mengenali sera melacak suau obyek. Beberapa pengimplemenasian/penerapan daricompuer Vision sendiri adalah sebagai beriku: a. Face Recogniion Face Recogniionmerupakan eknologi pengenalan reina maa, iris maa aau bagian-bagian dari wajah, seperi hidung dan mulu. Teknologi ini biasa diimplemenasikan aau digunakan pada sisem keamanan suau perusahaan. Conohnya keika masuk ke ruangan seseorang dimana yang bisa memasuki ruangan ersebu hanya pemilik ruangan iu, naninya sebelum masuk ke ruangan ersebu akan dilakukan scan erlebih dahulu pada wajah orang yang akan masuk ke ruangan iu. Kemudian reina dan iris maa dari orang ersebu akan dicocokkan dengan reina dan iris maa pemilik ruangan ersebu. Jika cocok, maka orang ersebu bisa masuk kedalam ruangan iu. Jika idak cocok, maka orang ersebu idak

22 akan bisa masuk kedalam ruangan iu. Conoh pendeeksian sera pelacakan Face Recogniion diunjukkan pada Gambar 2.9. Gambar 2.9. Face Recogniion b. Face Deecion/Tracking Face Deecion/Tracking merupakan eknologi pendeeksi sera pelacak wajah seseorang dengan menggunakan lensa kamera. Keika wajah dari seseorang erdeeksi oleh kamera, kamera akan menangkap wajah orang ersebu dan akan mengikui kemana wajah orang ersebu bergerak. Conoh pengimplemenasian face deecion/racking yaiu bisa digunakan unuk keamanan lapop. Keika ingin login kedalam lapop, webcam dari lapop akan mendeeksi wajah orang yang pada saa iu berada didepan lapop. Jika orang yang berada didepan lapop ersebu bukan pemilik dari lapop iu sendiri, orang ersebu idak akan bisa login kedalam

23 lapop ersebu. Conoh pendeeksian sera pelacakan dari Face Deecion/Tracking diunjukkan pada Gambar 2.10. Gambar 2.10. Face Deecion/Tracking OpenCV didesain unuk aplikasi real-ime sera memiliki fungsifungsi akuisisi yang baik unuk image/video. OpenCV dapa dierapkan pada pemrograman C++/C, Pyhon, Java dan Malab. OpenCV juga mendukung sisem operasi Windows, Linux, dan Mac OS. Beriku adalah beberapa library yang ada di OpenCV: a. CV : unuk algorima Image processing dan Vision. b. ML : unuk machine learning library c. Highgui : unuk GUI, Image dan Video I/O. d. CXCORE : unuk srukur daa, suppor XML dan fungsi-fungsi grafis.

24 2.6 Webcam Logiech C170 Kamera yang digunakan dalam peneliian ini adalah webcam Logiech C170. Benuk fisik dari webcam Logiech C170 diunjukkan pada Gambar 2.11. Beriku spesifikasi sebagai dari webcam Logiech C170: a) Panggilan video (640 x 480 piksel) dengan sisem yang direkomendasikan b) Merekam video: Hingga 1024 x 768 piksel c) Teknologi Logiech Fluid Crysal * d) Foo: Hingga 5 megapiksel (diingkakan menggunakan perangka lunak) e) Mikrofon bawaan dengan pengurangan noise f) Berserifika Hi-Speed USB 2.0 (direkomendasikan) g) Klip universal cocok dengan berbagai lapop, monior LCD aau CRT Kebuuhan sisem dari webcam Logiech C170: a) 1 GHz (Direkomendasikan 1.6 GHz) b) RAM 512 MB aau lebih c) Kapasias hard drive 200 MB d) Por USB 1.1 (direkomendasikan 2.0)

25 Gambar 2.11. Webcam Logiech C170 (Sumber : www.logiech.com) 2.7 Raspberry Pi 3 Raspberry pi merupakan sebuah eknologi baru di bidang IT. Raspberry pi adalah sebuah mini kompuer yang mempunyai por inpu dan oupu. Versi erbaru dari raspberry pi adalah raspberry pi 3. Pada versi ini raspberry sudah dilengkapi dengan WiFi 802.11n dan Blueooh versi 4.1. Sedangkan, pada versi sebelumnya raspberry pi yaiu raspberry pi 2 hanya dilengkapi slo RJ45 unuk erhubung ke jaringan inerne. Raspberry Pi 3 menggunakan prosesor ARM Corex-A53 dari Broadcom, dengan spesifikasi 64-bi Quad-Core dan berkecepaan 1,2 Ghz. Ini merupakan peningkaan dari prosesor 32-bi (Suranaa, 2016) 900Mhz di versi sebelumnya. Unuk kapasias RAM pada raspberry Pi 3 idak mengalami perubahan dari versi sebelumnya. Benuk fisik dari Raspberry Pi 3 diunjukkan pada Gambar 2.12.

26 Gambar 2.12. Raspberry Pi 3 (Sumber : www.raspberrypi.org) Beriku adalah spesifikasi dari Raspberry Pi 3: a. SoC: Broadcom BCM2837 b. CPU: 4 ARM Corex-A53, 1.2GHz c. GPU: Broadcom VideoCore IV d. RAM: 1GB LPDDR2 (900 MHz) e. Neworking: 10/100 Eherne, 2.4GHz 802.11n wireless f. Blueooh: Blueooh 4.1 Classic, Blueooh Low Energy g. Sorage: microsd h. GPIO: 40-pin header, populaed i. Pors: HDMI, 3.5mm analogue audio-video jack, 4 USB 2.0, Eherne, j. Camera Serial Inerface (CSI), Display Serial Inerface (DSI)

27 Radio Nirkabel Bagian ini ukurannya sanga kecil, hanya bisa diliha dengan menggunakan mikroskop aau kaca pembesar, chip Broadcom BCM43438 menyediakan LAN nirkabel sandar 2,4GHz 802.11n, Blueooh rendah daya, dan dukungan Blueooh 4.1. Bagian ini diunjukkan pada Gambar 2.13. Gambar 2.13. Radio Nirkabel Raspberry Pi 3 (Sumber : www.raspberrypi.org) Anena Pada Raspi 3 idak perlu menggunakan anena eksernal lagi. Chip radionya sudah erhubung dengan chip anenna ini yang disolder langsung ke board, unuk menjaga ukurannya eap ramping dan minimum. Meskipun benuknya kurang meyakinkan, eapi anenna ini mesinya lebih dari cukup unuk bisa menangkap sinyal Wi-Fi dan Blueooh meskipun erhalang dinding. Bagian ini diunjukkan pada Gambar 2.14.

28 Gambar 2.14. Anena Raspberry Pi 3 (Sumber : www.raspberrypi.org) SoC (Sysem on Chip) Sysem-on-chip (Soc) pada Raspi 3 menggunakan Broadcom BCM2837 dengan prosesor berperforma inggi ARM Corex-A53 yang memiliki empa core berkecepaan 1.2GHz dengan cache memory Level 1 sebesar 32kB dan Level 2 512kB, sebuah prosesor grafis VideoCore IV, dan erhubung dengan modul memory 1GB LPDDR2 pada bagian belakang board. Bagian ini diunjukkan pada Gambar 2.15. Gambar 2.15. SoC (Sysem on Chip) Raspberry Pi 3 (Sumber : www.raspberrypi.org)

29 GPIO Raspberry Pi 3 menggunakan pin header general-purpose-inpu-oupu (GPIO) yang sama dengan versi sebelumnya. Raspberry pi 3 mempunyai pin GPIO sebanyak 40 pin. GPIO digunakan unuk menghubungkan anara Raspberry Pi dengan ala lain. Conohnya seperi sensor-sensor aaupun dengan kompuer lain. Seperi erliha pada Gambar 2.16. Gambar 2.16. GPIO Raspberry Pi 3 (Sumber : www.raspberrypi.org) Chip USB Raspberry Pi 3 menggunakan chip SMSC LAN9514 yang sama dengan versi sebelumnya Raspberry Pi 2, yang mendukung konekifias Eherne dan USB empa channel pada board. Seperi sebelumnya, chip SMSC erhubung ke SoC melalui sau channel USB, beroperasi sebagai adapor USB-ke-Eherne dan USB hub. Seperi erliha pada Gambar 2.17.

30 Gambar 2.17. Chip USB Raspberry Pi 3 (Sumber : www.raspberrypi.org)