ANALISIS DETEKSI WARNA MARKING PADA CAMSHAFT SEBAGAI IDENTIFIKASI TYPE BENDA KERJA

5

ANALISIS DETEKSI WARNA MARKING PADA CAMSHAFT SEBAGAI IDENTIFIKASI TYPE BENDA KERJA Adirin, Seta Samsiana, H. Sugeng [email protected], [email protected], [email protected] Program Studi Teknik Elektro Fakultas Teknik Universitas Islam “45” (UNISMA) Universitas Islam 45 Bekasi Jl.Cut Meutia No. 83, 17113 Telp. 021-88344436, 021-8802015 Ext. 124

ABSTRAK Suatu cara untuk mempermudah mengenali jenis produk yaitu dengan cara menggunakan marking. Marking warna adalah satu contoh dalam melakukan pengenalan dan pemisahan jenis produk. Marking dengan warna mempunyai kelebihan yaitu mudah untuk dilihat dan diingat oleh setiap orang. Pengolahan citra digital banyak digunakan untuk melakukan proses mengenali berbagai karakteristik suatu obyek dan sangat bermanfaat untuk kebutuhan manusia untuk kemajuan teknologi. Penelitian ini menggunakan obyek warna marking yang tertera di camshaft. Warna yang diteliti yaitu warna merah, kuning, hijau, dan biru. Citra yang digunakan dalam proses deteksi warna yaitu citra dengan ruang warna HSV. Proses yang dilakukan dalam pengolahan citra digital di penelitian ini yaitu pengambilan citra marking warna sebagai obyek, menyimpan citra, konversi citra ruang warna RGB ke citra ruang warna HSV, segmentasi citra HSV, menghitung luas citra biner. Hasil dari penelitian didapatkan nilai ambang dari elemen piksel citra HSV sebagai batas area segmentasi, Nilai Ambang batas marking warna merah yaitu (0.00 ≤ hue ≤ 0.03 dan 0.98 ≤ hue ≤ 1.00, saturation ≥ 0.30 dan value ≥ 0.34), marking warna kuning (0.10 ≤ hue ≤ 0.16, saturation ≥ 0.34, value ≥ 0.54), marking warna hijau (0.31 ≤ hue ≤ 0.50, saturation ≥ 0.21, value ≥ 0.31 ), dan marking warna biru ( 0.57 ≤ hue ≤ 0.65, Saturation ≥ 0.30, value ≥ 0.31). Hasil dari proses segmentasi adalah citra biner yang hanya memiliki 2 nilai piksel yaitu 0 dan 1. Luas citra biner dari hasil segmentasi digunakan dalam menentukan nilai threshold untuk memberikan range/batasan luas marking yang diijinkan. Penentuan prosentasi deteksi yaitu dengan membandingkan bentuk luas area marking pada citra biner hasil segmentasi dengan bentuk asli luas area marking pada citra RGB, dan yang bentuknya sama atau mirip dengan luas area marking aslinya adalah hasil pendeteksian dengan prosentasi 100%. Berdasarkan hasil analisis deteksi citra warna marking didapatkan bahwa pendeteksian warna dipengaruhi oleh intensitas cahaya. Hasil penelitian didapatkan bahwa pencahayaan yang baik untuk proses pengambilan citra yaitu intensitas 200 lux sampai dengan 400 lux, dengan akurasi pendeteksian 80% ~ 100%. Pengujian aplikasi sistem deteksi warna marking keempat jenis warna tersebut diatas dengan menggunakan intensitas pencahayaan 350 lux, dan batas ambang luas citra biner menggunakan batas toleransi 20% dari luas citra biner 100% yang telah ditetapkan berdasarkan kesamaan bentuk, sistem telah berhasil berfungsi dengan baik yaitu dengan akurasi keberhasilan 100%.

Kata kunci : Pengolahan Citra Digital, Segmentasi, Nilai Ambang Batas, Citra HSV, Citra Biner

JREC Journal of Electrical and Electronics Vol 2. No.2

6

ABSTRACT One way to simplify recognize the type of product that is by using markings. Marking color is an example of doing recognition and separation of products. Marking the color has the advantage that easy to be seen and remembered by everyone. Digital image processing is used to perform the process of identifying the characteristics of an object and is very beneficial to the human need for technological advancement. This study uses a color marking objects printed on the camshaft. Studied color is red, yellow, green, and blue. The image used in the process detection colors is the HSV color space image. The process is done in Digital Image Processing in this research is capture image of color marking, save the image, converting the RGB color space to HSV color space, segmentation the HSV image, calculate the amount of wide binary image. Results of the research was found a threshold value of pixel elements the HSV image as area for segmentation. The threshold of red marking is (0.00 ≤ hue ≤ 0.03 and 0.98 ≤ hue ≤ 1.00, saturation ≥ 0.30 and value ≥ 0.34), the yellow marking is (0.10 ≤ hue ≤ 0.16, saturation ≥ 0.34, value ≥ 0.54), the green marking is (0.31 ≤ hue ≤ 0.50, saturation ≥ 0.21, value ≥ 0.31 ), and the blue marking is ( 0.57 ≤ hue ≤ 0.65, Saturation ≥ 0.30, value ≥ 0.31). Results of the segmentation process is a binary image that only has 2 pixel values are 0 and 1. Size of the binary image segmentation results are used in determining the threshold value for a given range area marking the allowable limits. The determination of the percentage of detection by comparing the shape of the area marking of binary image as result of segmentation with the original shape of the area marking on the RGB image, and that looks the same or similar to the original marking area is result detection with the percentage 100%. Based on the analysis detection of color image marking was found that the detection of color is affected by light intensity. The result showed that the lighting is good for the capture image process is used light intensity 200 lux to 400 lux, with the accuracy detection is 80% ~ 100%. Testing of color detection system application for four types of color marking mentioned above by using the intensity of illumination of 350 lux, and the threshold binary image using range tolerance 20% from wide area binary image 100% that has been set based on similarity of shape marking, The system has successful to work well, with an accuracy result is 100%. Keywords: Digital Image Processing, Segmentation, Threshold, HSV, Binary

PENDAHULUAN Kebutuhan akan sebuah proses yang cepat dan akurat dalam suatu industri sangat diperlukan, sehingga perbaikan/improvement sistem untuk mengurangi kesalahan dan meningkatkan produktivitas selalu menjadi hal yang termasuk di kedepankan. Adanya kejadian tertukar antara jenis produk camshaft satu dengan produk camshaft jenis lainnya yang dikarenakan oleh tidak adanya mesin untuk pengecekan warna marking, sehingga pengecekan dilakukan dengan visual oleh operator pemberi warna marking. Hal tersebut bisa terjadi dikarenakan dalam satu lini produksi digunakan untuk 4 jenis produk camshaft yang periode pergantian proses jenis tidak terjadwal, karena produksinya mengikuti pesanan pelanggan dan pekerja pengoperasi lini produksi tersebut mempunyai 3 pergantian jadwal kerja dalam satu hari. Berdasarkan hal tersebut maka diperlukan suatu improvement untuk mengatasi masalah tersebut, dan salah satu cara yang diperlukan adalah bagaimana melakukan pengecekan warna tersebut tidak lagi dengan visual tetapi ada alat yang berfungsi untuk melakukan pengecekan warna marking sehingga akan mengurangi kesalahan dalam pengecekan warna, karena alat tersebut JREC Journal of Electrical and Electronics Vol 2. No.2

7

bisa diatur melalui program sesuai dengan warna marking yang telah ditetapkan disesuikan dengan jenis produk. Rumusan masalah berdasarkan pada latar belakang masalah diatas yaitu dibutuhkan suatu sistem untuk mendeteksi marking warna yang tertera di camshaft sesuai dengan jenis camshaft yang telah ditetapkan, sehingga dapat dilakukan efisiensi waktu perbaikan marking warna dengan tepat.

Pembatasan masalah dalam melakukan penelitian ini antara antara lain : 1. Analisis deteksi warna menggunakan program MATLAB berdasarkan pengolahan citra digital. 2. Warna yang diteliti yaitu warna yang dipakai di lini produksi tersebut yaitu merah, kuning, hijau dan biru.

Tujuan dari penelitian analisis deteksi warna ini yaitu : 1. Mendapatkan nilai karakteristik dari warna marking sehinggga bisa digunakan untuk membuat sistem deteksi marking warna yang tertera di produk camshaft sesuai dengan jenis produk camshaft yang telah ditetapkan. 2. Memberikan informasi melalui monitor interface kepada pengguna apabila terjadi kesalahan warna marking

Manfaat dari penelitian analisis deteksi warna ini yaitu : 1. Melakukan pengecekan ketepatan warna marking yang tertera di camshaft sesuai dengan jenis camshaft yang telah ditetapkan. 2. Mendeteksi kesalahan warna marking yang tertera di camshaft sehingga sehingga dapat dilakukan efisiensi waktu perbaikan marking warna dengan tepat.

TINJAUAN PUSTAKA Citra adalah gambar dua dimensi yang dihasilkan dari gambar analog dua dimensi yang kontinyu menjadi gambar diskrit melalui proses sampling. Citra digital dapat didefinisikan sebagai fungsi dua variable f(x,y), dimana x dan y adalah koordinat spasial sedangkan nilai f(x,y) adalah intensitas citra pada koordinat tersebut. Teknologi dasar untuk menciptakan dan menampilkan warna pada citra digital berdasarkan pada penelitian bahwa sebuah warna merupakan kombinasi dari tiga warna dasar, yaitu merah, hijau, dan biru (Red, Green, Blue -RGB) (Gonzales, 2004). Citra digital dibentuk oleh kumpulan titik yang dinamakan piksel (pixel atau “picture element”). Setiap piksel digambarkan sebagai satu kotak kecil dan setiap piksel mempunyai koordinat posisi. Sistem koordinat yang mengikuti asas pemindaian pada layar TV standar itu, sebuah piksel mempunyai koordinat berupa (x, JREC Journal of Electrical and Electronics Vol 2. No.2

8

y). Dalam hal ini, x menyatakan posisi kolom, y menyatakan posisi baris. Piksel pojok kiri-atas mempunyai koordinat (0, 0) dan piksel pada pojok kanan-bawah mempunyai koordinat (N-1, M-1).

Jenis Citra Digital 1. Citra Berwarna Citra berwarna atau biasa dinamakan citra RGB, merupakan jenis citra yang menyajikan warna dalam bentuk komponen R (merah), G (hijau), dan B (biru). Setiap komponen warna menggunakan 8 bit (nilainya berkisar antara 0 sampai dengan 255). Dengan demikian, kemungkinan warna yang bisa disajikan mencapai 255 x 255 x 255 atau 16.581.375 warna. 2. Citra Berskala Keabuan Sesuai dengan nama yang melekat, citra jenis ini menangani gradasi warna hitam dan putih, yang tentu saja menghasilkan efek warna abu-abu. Pada jenis gambar ini, warna dinyatakan dengan intensitas. Dalam hal ini, intensitas berkisar antara 0 sampai dengan 255. Nilai 0 menyatakan hitam dan nilai 255 menyatakan putih. 3. Citra Biner Citra biner adalah citra dengan setiap piksel hanya dinyatakan dengan sebuah nilai dari dua buah kemungkinan (yaitu nilai 0 dan 1). Nilai 0 menyatakan warna hitam dan nilai 1 menyatakan warna putih.

Dasar Warna dan Ruang Warna Manusia sebenarnya melihat warna adalah karena cahaya yang dipantulkan oleh objek. Dalam hal ini, spektrum cahaya kromatis berkisar antara 400-700 nm (Zhou, dkk., 2010). Istilah kromatis berarti kualitas warna cahaya yang ditentukan oleh panjang gelombang. Karakteristik persepsi mata manusia dalam yang membedakan antara satu warna dengan warna yang lain berupa hue, saturation, dan brightness. Gonzalez & Woods (2002) mendefinisikan ruang warna (atau kadang disebut sistem warna atau model warna) sebagai suatu spesifikasi sistem koordinat dan suatu subruang dalam sistem tersebut dengan setiap warna dinyatakan dengan satu titik di dalamnya. Tujuan dibentuknya ruang warna adalah untuk memfasilitasi spesifikasi warna dalam bentuk suatu standar. Ruang warna yang paling dikenal pada perangkat komputer adalah RGB, yang sesuai dengan watak manusia dalam menangkap warna. Namun, kemudian dibuat banyak ruang warna, antara lain HSV, CMY, LUV, dan YIQ. HSV merupakan contoh ruang warna yang merepresentasikan warna seperti yang dilihat oleh mata manusia. H berasal dari kata “hue”, S berasal dari “saturation”, dan V berasal dari “value”.


9

Gambar 1. Ruang warna HSV Model HSV, yang pertama kali diperkenalkan A. R. Smith pada tahun 1978, ditunjukkan pada Gambar 1. Untuk mendapatkan nilai H, S, V berdasarkan R, G, dan B yaitu dengan rumus berikut.

(1)

(2)

(3)

(4)

(5)

Segmentasi Citra Segmentasi citra merupakan

proses yang ditujukan untuk mendapatkan objek-objek yang

terkandung di dalam citra atau membagi citra ke dalam beberapa daerah dengan setiap objek atau daerah memiliki kemiripan atribut. Segmentasi juga biasa dilakukan sebagai langkah awal untuk melaksanakan klasifikasi objek.

METODE PENELITIAN Lokasi Penelitian Pengambilan data dilakukan dengan beberapa kondisi untuk membandingkan hasil pengujian data antara lain : 1. Ruangan dengan pencahayaan 1 lampu berjarak ± 50cm dari benda kerja dengan daya 8 watt. JREC Journal of Electrical and Electronics Vol 2. No.2

10

2. Ruangan dengan pencahayaan 2 lampu yaitu lampu ruangan 20 watt dengan jarak ± 350cm dan lampu duduk 8 watt dengan jarak ± 50 cm 3. Ruangan dengan tanpa menggunakan cahaya lampu hanya menggunakan cahaya luar dalam keadaan cuaca cerah dan posisi di dekat jendela ruangan.

Gambar 2. Pencahayaan Tempat Proses Pengambilan Citra Digital

Pengambilan citra/image menggunakan webcam C170 logitech yang dikoneksikan dengan komputer yang telah di install software MATLAB versi 7.12.0.635 (R2011a). Ukuran resolusi citra yang dipakai yaitu 640 x 480 piksel, dengan jenis image bertipe JPEG (Joint Photographics Expert‟s Group) dan dengan posisi jarak ketinggian kamera terhadap marking camshaft bersifat tetap/sama. Pengumpulan Data Penelitian Mulai

Pengambilan Citra Marking

Pengukuran dan Pengumpulan Data Elemen piksel R, G, B Konversi Citra RGB ke Citra HSV Pengukuran dan Pengumpulan Data Elemen Piksel H, S, V Segmentasi Citra HSV Pengukuran dan Pengumpulan Data Luas Citra Biner

Selesai Gambar 3. Blok Diagram Teknik Pengumpulan Data JREC Journal of Electrical and Electronics Vol 2. No.2

11

Data objek penelitian berupa variabel ukuran yang dikumpulkan melalui proses pengolahan citra digital dengan pengambilan citra menggunakan ketiga kondisi pencahayaan diatas adalah sebagai berikut: 1. Nilai elemen piksel red, green, dan blue dari citra jenis RGB yaitu nilai elemen yang didapatkan langsung melalui pengukuran dari citra warna marking yang didapatkan melalui proses capture yang menghasilkan citra digital dengan ruang warna RGB. 2. Nilai elemen hue, saturatio, dan value dari citra jenis HSV, dimana citra HSV didapatkan dengan cara konversi citra dengan ruang warna RGB ke citra HSV. Elemen citra ini bisa diperoleh dengan melakukan pengecekan langsung menggunakan MATLAB dan juga bisa dengan melakukan perhitungan menggunakan rumus konversi ruang warna RGB ke HSV. 3. Nilai luas citra biner yaitu nilai elemen area piksel citra biner yang berwarna putih, yaitu jumlah piksel yang mengandung nilai 1, dimana nilai 1 ini adalah nilai warna putih hasil dari proses segmentasi citra HSV.

Pengolahan Citra Dengan Matlab MATLAB adalah sebuah software yang menggunakan bahasa dengan (high-performance) kinerja tinggi untuk komputasi masalah teknik. Salah satu bagian dari matlab adalah graphics.GUIDE atau GUI builder merupakan sebuah graphical user interface (GUI) yang dibangun dengan obyek grafik seperti tombol (button), kotak teks, slider, menu dan lain-lain.

Sampai saat ini, jika kita

membicarakan pemrograman berorientasi visual, yang ada di benak kita adalah sederetan bahasa pemrograman, seperti visual basic, Delphi, visual C++, visual Fox Pro, dan lainnya yang memang didesain secara khusus untuk itu.

1. Proses Capture

Gambar 4. Peralatan Proses Pengambilan Data Citra Digital


12

Gambar 5. Citra Digital Marking Warna Merah dengan 3 Kondisi Pencahayaan 2. Pengukuran dan Pengumpulan Data Elemen piksel R, G, B & Elemen piksel HSV Proses pengukuran nilai elemen piksel dilakukan dengan tools box image processing yang merupakan bagian dari sistem pada MATLAB.

Gambar 6. Proses Pengecekan & Pemeriksaan Nilai Elemen Red, Green dan Blue dari Citra RGB dan Hue, Saturation, dan Value dari Citra HSV dengan MATLAB Analisis dan Pengujian Data Penelitian Data hasil penyederhanaan yang didapatkan dari citra warna marking yang telah selesai dilakukan pengumpulan datanya. Tabel 1. Hasil Penyederhanaan Pengambilan Data Nilai Elemen Piksel HSV Secara Sampling Dari Citra Marking Warna Dengan Menggunakan 3 Kondisi Pencahayaan Merah

No. Pencahayaan Proses Capture Citra Data 1 (Ruangan dengan 1 Pencahayaan 1 lampu = 200 Lux)

Data 2 (Ruangan dengan 2 Pencahayaan 2 lampu = 400 lux ) Data 3 ( Ruangan dengan Pencahayaan 3 Luar Jendela/matahari= 170 lux)

Nilai threshold untuk proses deteksi warna marking

Kuning

Hijau

Biru

Min1

H S V H S V H S V H S V 0.00 0.58 0.34 0.12 0.43 0.84 0.31 0.33 0.40 0.60 0.61 0.40

Max 1

0.01 0.81 0.87 0.16 0.67 0.96 0.50 0.47 0.66 0.65 0.82 0.77

Min2

0.98

Max2

1.00

Min1

0.00 0.30 0.58 0.10 0.36 0.75 0.34 0.21 0.35 0.57 0.30 0.37

Max 1

0.02 0.81 0.96 0.15 0.74 1.00 0.40 0.42 0.83 0.62 0.76 0.95

Min2

0.99

Max2

1.00

Min1

0.00 0.72 0.41 0.10 0.34 0.54 0.33 0.37 0.31 0.58 0.50 0.31

Max 1

0.03 0.93 1.00 0.16 0.88 1.00 0.40 0.55 0.93 0.64 0.82 0.89

Min2

1.00

Max2

1.00

T1 Min

0.00 0.30 0.34 0.10 0.34 0.54 0.31 0.21 0.31 0.57 0.30 0.31

T1 Max

0.03 0.93 1.00 0.16 0.88 1.00 0.50 0.55 0.93 0.65 0.82 0.95

T2 Min

0.98

T2 Max

1.00


13

Data diatas dipakai untuk nilai ambang/threshold dalam proses segmentasi citra HSV sehingga diperoleh citra biner. Cara yang digunaklan dalam segmentasi citra berwarna dengan ruang warna HSV yaitu menggunakan teknik pengambangan global (Global Image Thresholding). Pengertiannya yaitu nilai ambang T bergantung pada nilai intensitas f(y, x), Setiap pixel di dalam citra dipetakan ke dua nilai, 1 atau 0 dengan fungsi pengambangan:

(6) T adalah nilai ambang yang dispesifikasikan. Dengan operasi pengambangan tersebut, objek dibuat berwarna terang (1 atau putih) sedangkan latar belakang berwarna gelap (0 atau hitam). Jika nilai intensitas objek diketahui dalam selang [T1, T2], maka kita dapat menggunakan fungsi pengambangan:

(7) Pada penelitian ini, digunakan metoda segmentasi pemberian ambang batas pada tiap-tiap tingkatan warna marking. Metoda ini mensegmen obyek berdasarkan nilai elemen warnanya. Batasan nilai ambang/threshold yang digunakan berdasarkan data diatas yaitu marking warna merah (0.00 ≤ hue ≤ 0.03 dan 0.98 ≤ hue ≤ 1.00, saturation ≥ 0.30 dan value ≥ 0.34), marking warna kuning (0.10 ≤ hue ≤ 0.16, saturation ≥ 0.34, value ≥ 0.54), marking warna hijau (0.31 ≤ hue ≤ 0.50, saturation ≥ 0.21, value ≥ 0.31 ), dan marking warna biru ( 0.57 ≤ hue ≤ 0.65, Saturation ≥ 0.30, value ≥ 0.31).

(A)

(B)

(C) Gambar 7. Grafik Nilai Elemen Hue Hasil Dari Pengecekan Elemen Citra HSV (A) Hue, (B) Saturation, (C) Value JREC Journal of Electrical and Electronics Vol 2. No.2

14

Manusia secara umum mengenal ukuran dengan 3 definisi, yaitu “Besar”, “Sedang” dan “Kecil”. Penilaian besar, sedang, maupun kecil untuk tiap-tiap orang pun bersifat subyektif. Artinya, seseorang bisa menganggap suatu benda itu dikatakan besar, tetapi orang yang lain mungkin mengatakan masih kurang besar. Oleh karena itu, diperlukan persamaan persepsi agar komputer juga mampu mendefinisikan suatu benda itu dikatakan “Besar ”, “Sedang” atau “Kecil”. Komputer mengetahui ukuran suatu obyek, dengan menghitung jumlah piksel yang dilakukan secara global pada citra. Proses scanning citra dilakukan mulai dari titik (0,0) sampai (N,M). Nilai akan bertambah saat piksel yang terdeteksi bukan background. Nilai bertambah 1, jika pada baris maupun kolom mendeteksi perbedaan warna dengan background sesuai setting yang diinginkan.

Gambar 8. Scanning Luas Obyek pada Citra Biner Setelah diketahui nilai threshold diatas, langkah selanjutnya yaitu proses pengujian daridata yang telah didapatkan. Berikut ini adalah hasil pengujian nilai threshold menggunakan data dari nilai diatas. HASIL DETEKSI WARNA MARKING WARNA MERAH

HASIL DETEKSI CAHAYA LUAR 170 LUX 89% 1641 PIKSEL

CAHAYA 1 LAMPU 200 LUX 92% 1700 PIKSEL


AKURASI DETEKSI

HASIL DETEKSI WARNA MARKING WARNA KUNING

89%

92%

100%

Gambar 9. Marking Merah


PROSENTASE DETEKSI CAHAYA LUAR 170 LUX 163% 2895 PIKSEL



Gambar 10. Marking Kuning

AKURASI DETEKSI

37%

88%

100%

15

HASIL DETEKSI WARNA MARKING WARNA MERAH

HASIL DETEKSI

AKURASI DETEKSI HASIL DETEKSI WARNA MARKING WARNA MERAH

CAHAYA LUAR 170 LUX 88% 1315 PIKSEL

CAHAYA 1 LAMPU 200 LUX 100% 1486

CAHAYA 2 LAMPU 400 LUX 86% 1280

HASIL DETEKSI

AKURASI DETEKSI

CAHAYA LUAR 170 LUX 87% 1454 PIKSEL

88%

100%


86%


Gambar 11. Marking Merah

87%

96%

100%

Gambar 12. Marking Kuning

Berdasarkan hasil pengujian nilai threshold diatas, pendeteksian untuk warna marking hasilnya cukup baik, dimana bentuk dari citra biner warna putih sesuai dengan bentuk marking, berarti warna marking tersebut terpisahkan dengan warna lain, dan sesuai dengan tujuan segmentasi ini yaitu mengelompokan citra menjadi dua bagian, dimana piksel marking sebagai fronground dan piksel selain warna marking sebagai background. Tabel 2. Hasil Pengujian Deteksi Warna Marking Berdasarkan Pencahayaan No.

Warna Marking

1

MERAH

2

KUNING

3

HIJAU

4

BIRU

Intensitas Cahaya (Lux) 100 Lux 200 Lux 300 Lux 400 Lux 500 Lux 600 Lux 700 Lux 800 Lux 1000 Lux 100 Lux 200 Lux 300 Lux 400 Lux 500 Lux 600 Lux 700 Lux 800 Lux 1000 Lux 100 Lux 200 Lux 300 Lux 400 Lux 500 Lux 600 Lux 700 Lux 800 Lux 1000 Lux 100 Lux 200 Lux 300 Lux 400 Lux 500 Lux 600 Lux 700 Lux 800 Lux 1000 Lux

Prosentase Hasil Deteksi Marking Warna (%)

1

2

3

4

5

1

2

3

4

5

Hasil Rata-Rata Deteksi Warna Marking (%)

539 1700 1642 1795 1792 1642 1624 1489 1190 2918 1967 2061 1737 1756 676 717 212 49 308 1446 1317 1174 1271 13 182 97 0 235 1601 1562 1609 1608 1438 1439 1331 806

322 1664 1578 1803 1808 1563 1367 1555 1236 2806 1987 1930 1723 1741 648 761 238 45 191 1400 1386 1160 1154 29 67 20 2 14 1557 1599 1588 1668 1438 1442 1327 960

71 1590 1624 1799 1817 1597 1415 1551 1232 3135 1982 1940 1772 1735 642 1859 219 37 143 1334 1393 1151 1068 0 79 27 0 166 1591 1590 1678 1631 1439 1449 1343 733

419 1641 1640 1819 1919 1659 1528 1558 1131 2991 2046 1918 1765 1715 626 624 296 19 52 1380 1486 1137 1186 25 19 48 0 3 1587 1616 1598 1643 1432 1464 1333 825

412 1595 1660 1839 1820 1665 1554 1462 1034 2855 1989 1931 1757 1685 574 620 245 48 115 1487 1361 1280 1217 182 0 84 0 95 1605 1549 1550 1626 1455 1446 1328 807

29% 92% 89% 98% 97% 89% 88% 81% 65% 165% 111% 116% 98% 99% 38% 40% 12% 3% 21% 97% 89% 79% 86% 1% 12% 7% 0% 14% 95% 93% 96% 96% 86% 86% 79% 48%

18% 90% 86% 98% 98% 85% 74% 85% 67% 158% 112% 109% 97% 98% 37% 43% 13% 3% 13% 94% 93% 78% 78% 2% 5% 1% 0% 1% 93% 95% 95% 99% 86% 86% 79% 57%

4% 86% 88% 98% 99% 87% 77% 84% 67% 177% 112% 109% 100% 98% 36% 105% 12% 2% 10% 90% 94% 77% 72% 0% 5% 2% 0% 10% 95% 95% 100% 97% 86% 86% 80% 44%

23% 89% 89% 99% 104% 90% 83% 85% 62% 169% 115% 108% 100% 97% 35% 35% 17% 1% 3% 93% 100% 77% 80% 2% 1% 3% 0% 0% 95% 96% 95% 98% 85% 87% 79% 49%

22% 87% 90% 100% 99% 91% 85% 79% 56% 161% 112% 109% 99% 95% 32% 35% 14% 3% 8% 100% 92% 86% 82% 12% 0% 6% 0% 6% 96% 92% 92% 97% 87% 86% 79% 48%

19% 89% 89% 98% 100% 88% 81% 83% 63% 166% 113% 110% 99% 97% 36% 52% 14% 2% 11% 95% 93% 79% 79% 3% 5% 4% 0% 6% 95% 94% 96% 97% 86% 86% 79% 49%

Luas Area Deteksi Marking Warna (Piksel)

Walaupun warna marking telah terdeteksi sesuai dengan bentuk asalnya, tetapi ada piksel-piksel kecil yang nilai elemennya ikut masuk kedalam nilai threshold sehingga terdeteksi sebagai warna marking, JREC Journal of Electrical and Electronics Vol 2. No.2

16

hal ini terjadi karena pantulan cahaya warna marking yang disebabkan oleh pencahayaan, jadi untuk mendapatkan hasil segmentasi yang baik maka perlu diperhatikan tentang pencahayaan yang stabil dan baik.

Gambar 13. Grafik Hasil Pengujian Deteksi Warna Marking Berdasarkan Pencahayaan Berdasarkan hasil pengujian diatas, pengujian aplikasi sistem deteksi warna marking berhasil dengan baik yaitu pada nilai rata-rata intensitas 200 lux sampai dengan 400 lux untuk semua warna marking, sehingga sistem dapat bekerja untuk semua warna pada nilai intensitas antara 200 ~ 400 Lux. Sedangkan nilai threshold luas citra biner untuk sistem pendeteksian warna marking yaitu dengan nilai akurasi hasil deteksi 80% ~ 120%. Pengujian aplikasi sistem deteksi jenis produk berdasarkan warna marking yang dilakukan yaitu menggunakan pencahayaan dengan intensitas 350 lux dan nilai threshold luas citra biner yaitu pendeteksian 100% pada data diatas dengan penambahan toleransi area luas citra biner ± 20% . Berikut ini adalah hasil pengujian yang telah dilakukan, yaitu 10 kali pengujian pada setiap jenis JREC Journal of Electrical and Electronics Vol 2. No.2

17

produk yang tertera warna marking, maka nilai luas citra yang dipakai untuk threshold yaitu sebagai berikut : 1. Nilai threshold marking warna merah yaitu 1471 piksel sampai dengan 2207 piksel (1471 ≤ Luas citra biner ≤ 2207) 2. Nilai threshold marking warna kuning yaitu 1418 piksel sampai dengan 2126 piksel (1418 ≤ Luas citra biner ≤ 2126) 3. Nilai threshold marking warna hijau yaitu 1189 piksel sampai dengan 1783 piksel (1189 ≤ Luas citra biner ≤ 1783) 4. Nilai threshold marking warna biru yaitu 1342 piksel sampai dengan 2014 piksel (1342 ≤ Luas citra biner ≤ 2014)

Start Repair Marking, Select Program Number, or Illumination Lamp

Capture

Conversion RGB to HSV

Segmentation HSV Image

Analyze Detection Image

Display icon Reject, Value of Biner Image, Error Message & Remedy

No

Yes Display Icon Okay & Value of Biner Image

End Gambar 14. Blok Diagram Aplikasi Sistem Deteksi Marking Warna Proses kerja dari aplikasi sistem deteksi marking warna sesuai dengan diagram blok diatas yaitu melakukan capture menggunakan kamera berjenis webcam, konversi citra RGB hasil capture ke citra HSV, segmentasi citra HSV menggunakan nilai threshold elemen piksel HSV, analisa hasil deteksi marking warna dimana nilai threshold menggunakan luas citra biner, jika hasil analisa memenuhi syarat maka menampilkan ikon okey, dan apabila tidak memenuhi syarat maka akan menampilkan JREC Journal of Electrical and Electronics Vol 2. No.2

18

ikon reject dan error message beserta message cara perbaikannya. Berikut adalah gambar tampilan dari aplikasi deteksi marking warna yang telah dibuat untuk pengujian nilai threshold luas citra biner area warna marking yang terdeteksi.

Gambar 15..Tampilan Interface Aplikasi Sistem Deteksi Marking Warna

Gambar 16.. Pengujian Threshold Citra Biner Pada Aplikasi Sistem Deteksi Marking Warna

Gambar 17..Tampilan Pengujian Threshold Citra Biner Pada Aplikasi Sistem Deteksi Marking Warna Apabila Terjadi Reject Tabel 3. Hasil Pengujian Sitem Deteksi Marking Warna Sesuai Dengan Jenis Camshaft Menggunakan Nilai Threshold Citra Biner


19

KEPUTUSAN SISTEM (OK/NG) 1

2

3

4

5

6

7

8

9

10

PROSENTASI KEBERHASILAN SISTEM

MERAH

OK

OK

OK

OK

OK

OK

OK

OK

OK

OK

100%

KUNING

OK

OK

OK

OK

OK

OK

OK

OK

OK

OK

100%

HIJAU

OK

OK

OK

OK

OK

OK

OK

OK

OK

OK

100%

BIRU

OK

OK

OK

OK

OK

OK

OK

OK

OK

OK

100%

WARNA MARKING

Hasil diatas menunjukan bahwa aplikasi sitem deteksi produk berdasarkan pada warna marking telah berhasil dengan akurasi keberhasilan 100% pada keempat jenis produk dengan masing-masing warna yang telah ditetapkan. SIMPULAN Berdasarkan hasil penelitian dan analisis deteksi warna marking yang tertera di camshaft, maka dapat diambil kesimpulan sebagai berikut : Proses segmentasi citra warna marking dengan ruang warna HSV menggunakan metode thresholding, berhasil memisahkan obyek warna marking dengan nilai threshold sebagai berikut : Marking warna merah Nilai threshold elemen citra hue yaitu antara nilai 0.00 sampai dengan 0.03 ( 0.00 ≤ hue ≤ 0.03 ) dan nilai 0.98 sampai 1.00 ( 0.98 ≤ hue ≤ 1.00 ) Nilai threshold untuk saturation yaitu lebih besar atau sama dengan 0.30 ( Saturation ≥ 0.30 ) Nilai threshold untuk value yaitu lebih besar atau sama dengan 0.34 ( Value ≥ 0.34) Marking warna kuning Nilai threshold elemen citra hue yaitu antara nilai 0.10 sampai dengan 0.16 ( 0.10 ≤ hue ≤ 0.16 ) Nilai threshold untuk saturation yaitu lebih besar atau sama dengan 0.34 ( Saturation ≥ 0.34) Nilai threshold untuk value yaitu lebih besar atau sama dengan 0.54 (Value ≥ 0.54) Marking warna hijau Nilai threshold elemen citra hue yaitu antara nilai 0.31 sampai dengan 0.50 ( 0.31 ≤ hue ≤ 0.50 ) Nilai threshold untuk saturation yaitu lebih besar atau sama dengan 0.21 ( Saturation ≥ 0.21) Nilai threshold untuk value yaitu lebih besar atau sama dengan 0.31 (Value ≥ 0.31) Marking warna biru Nilai threshold elemen citra hue yaitu antara nilai 0.57 sampai dengan 0.65 ( 0.57 ≤ hue ≤ 0.65 ) Nilai threshold untuk saturation yaitu lebih besar atau sama dengan 0.30 ( Saturation ≥ 0.30 ) JREC Journal of Electrical and Electronics Vol 2. No.2

20

Nilai threshold untuk value yaitu lebih besar atau sama dengan 0.31 ( Value ≥ 0.31) Berdasarkan hasil pengujian, untuk kempat warna marking rata-rata bekerja dengan baik di intensitas cahaya 200 lux sampai dengan 400 lux. Pengujian aplikasi sistem deteksi warna marking sebagai identifikasi produk menggunakan pencahayaan dengan intensitas cahaya 350 lux, telah berhasil berfungsi dengan baik dengan akurasi keberhasilan 100%. Luas citra biner berhasil digunakan untuk sistem aplikasi pendeteksian marking warna yaitu sebagai acuan dalam menentukan keputusan okey dan reject, dengan catatan ukuran resolusi citra dan jarak antara kamera dengan obyek tidak berubah-rubah.

SARAN Berdasarkan pada pengalaman yang didapat penulis selama penelitian yang dilakukan, maka untuk menyempurnakan aplikasi

pendeteksian warna yang telah dibuat, penulis menyarankan

beberapa hal sebagai berikut: 1.Dibutuhkan kamera dengan kualitas yang lebih bagus, sesuai dengan kondisi pabrik, supaya dapat tahan terhadap suhu yang panas dan udara industri yang kotor. 2.Perlu dilakukan penelitian terhadap jenis ruang warna lain untuk bisa membandingkan pengaruh intensitas cahaya terhadap hasil pendeteksian, sehingga bisa diketahui ruang warna terbaik untuk pendeteksian berkaitan dengan warna.

DAFTAR PUSTAKA Abdul Kadir., dan Adhi Susanto. 2013. Teori dan Aplikasi Pengolahan Citra. Yogyakarta : Penerbit Andi Fajar Astuti Hermawati., 2013. Pengolahan Citra Digital (Konsep dan Teori). Yogyakarta : Penerbit Andi. R.H.Sianipar., et.al. 2013.MATLAB untuk Pemrosesan Citra Digital. Bandung : Penerbit Informatika Etta Mamang.S., dan Sopiah.2010. Metodologi Penelitian-Pendekatan Praktis dalam Penelitian. Yogyakarta : Penerbit Andi The Mathwork, Inc. 1994-2015. [http://www.mathworks.com]. (1994-2015) Reefaat Yousef., dan Ahmed A., Introduction to Graphical User Interface (GUI) MATLAB 6.5. UAE university IEEE UAEU Student Branch, 2010


ANALISIS DETEKSI WARNA MARKING PADA CAMSHAFT SEBAGAI IDENTIFIKASI TYPE BENDA KERJA

Recommend Documents