Deteksi Objek Menggunakan Kamera Dengan Pendekatan Neural Network pada Robot Soccer Field Anggie Riswandanu Jurusan Teknik Elektro ITS, Surabaya 60111, email:
[email protected]
Abstrak – Makalah ini menjelaskan permasalahan dalam mengolah visual yang dihadapi pada robot soccer. Dengan sebuah pengembangan dibidang image processing, yaitu penggabungan model-based computer vision dengan neural network untuk mengidentifikasi warna sebagai acuan dari pergerakan robot. Dengan adanya penggabungan tersebut, berkurangnya waktu penyimpanan model dan memori yang dibutuhkan pada model-based computer vision dapat dilakukan. Karena waktu proses yang singkat, maka robot dapat bergerak lebih cepat dan lebih akurat. Pada penelitian ini membuktikan bahwa untuk sistem mengenali arah dari robot dengan kesalahan maksimum 4,71 %. Kata Kunci: robot soccer, Jaringan Syaraf Tiruan, mobile robot, computer vision. 1. PENDAHULUAN Sejak ide ini lahir pada tahun 1995 di Korea Advanced Institute of Science and Technology, robot soccer telah menjadi bidang riset menarik robotika dan kecerdasan buatan. Permainan terdiri dari dua tim robot memainkan sepak bola (soccer). Robot sepakbola adalah suatu proyek multi disiplin, melibatkan penelitian di kontrol motor menggunakan mikrokontroler, radio komunikasi, dan strategi pengolahan citra.[1] Robot soccer harus dibekali oleh kemampuan memvisualisasikan obyek dan sebuah algoritma berpikir yang tepat dalam lingkungannya waktu itu. Data yang diperoleh robot, hanya didapatkan dari kamera. Data visual ini melingkupi data posisi robot satu tim atau robot lawan dan posisi bola.[3] Visual yang diterima oleh robot haruslah akurat dan dapat bekerja dalam berbagai keadaan di dalam lapangan. Data ini juga harus bisa dideteksi oleh komputer, sehingga bisa memberikan informasi yang tepat tentang kejadian yang diamati waktu itu.[2] Dengan bantuan kamera video dan software, komputer dapat mengenali informasi dari citra atau gambar suatu bentuk benda yang sedang diamati. Di sini digunakan Jaringan Syaraf Tiruan (JST), karena penggunaan metode ini dinilai mengurangi komputasi akibat pencocokan pattern dengan jumlah besar.
Algoritma jaringan syaraf tiruan yang dipakai adalah propagasi balik (back propagation) yang merupakan proses utama pengolahan informasi berupa citra. Penelitian ini mengatasi hal-hal yang berkaitan dengan segmentasi warna dalam hal identifikasi obyek. Metode JST digunakan untuk pencocokan pattern. Robot soccer dapat mengakses informasi berupa koordinat dan arah tiap-tiap obyek tergantung dari kebutuhannya. Pertama-tama dalam makalah ini akan dibahas tentang warna dan pengenalan objek, dan dari sini permasalahan segmentasi warna dan identifikasi posisi akan ditentukan dalam Bagian 2. Bagian 3 adalah pembahasan tentang karakteristik JST yang relevan untuk masalah identifikasi obyek. Bagian 4 perancangan sistem untuk permasalahan akan dibahas sehingga pendekatan-pendekatan yang ada bisa menjadi relevan. Kesimpulan akan ditemukan pada Bagian 5. 2. SEGMENTASI WARNA DAN IDENTIFIKASI POSISI PADA ROBOT SOCCER Untuk akurasi penentuan posisi robot dan bola, perlu menganalisa gambar yang diambil oleh kamera yang diletakkan diatas arena. Penyusunan arsitektur robot soccer pada penelitian ini dapat dilihat pada Gambar 2. Karena setiap obyek dalam citra yang ditangkap menggunakan kode warna, jadi langkah pertama adalah mengidentifikasi daerah-daerah gambar dengan warna tertentu. Ini diikuti dengan identifikasi dan pelacakan posisi. Pada bagian ini disajikan implementasi dari langkah ini, dengan beberapa pendahuluan materi. Mobile robot adalah suatu jenis robot yang mempunyai kemampuan untuk berpindah tempat sehingga memungkinkan robot mencapai tujuan yang diharapkan. Ada dua jenis mobile robot yaitu robot yang berjalan dengan menggunakan kaki-kaki mekanik dan robot yang berjalan dengan roda. Salah satu jenis mobile robot dapat dilihat pada Gambar 1.
1 2
3 4 5 6
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
0 0 0 0 0 0
1
2
3
4
0 0 1 1 1 0 5
0 0 1 1 1 0
0 0 1 1 1 0
0 0 0 0 0 0
0 0 0 0 0 0
6
7
8
9
Gambar 4. Proses pencarian posisi dengan thresholding Gambar 1. Mobile robot secara lengkap
3. JARINGAN SYARAF TIRUAN UNTUK IDENTIFIKASI OBYEK
Gambar 2. Arsitektur robot soccer
Tiruan neuron dalam struktur jaringan syaraf tiruan adalah elemen pemroses yang dapat berfungsi sebagai alat komputasi yang berbasis komputer dengan cara pendekatan perhitungan matematis. Jaringan syaraf tiruan juga dapat dipandang sebagai sebuah sistem yang terdiri atas elemen-elemen yang terdistribusi secara paralel dengan kemampuan untuk memperbaiki kinerja melalui proses belaja”.
Belakang
Pendefinisian jaringan syaraf tiruan dilihat dari fungsi atau struktur rancangan merupakan penyederhanaan dari model otak manusia. Kinerja struktur jaringan syaraf tiruan biologi pada otak manusia adalah dengan cara menyampaikan sinyal dari satu neuron ke neuron yang lain yang berdekatan serta bersesuaian. Hal yang sama berlanjut untuk neuron yang berikutnya, sampai neuron terakhir yang dikehendaki sinyal tersebut.
Depan
Awalnya, citra diambil oleh kamera dengan resolusi 320x240 24-bit warna RGB yang mempunyai kemampuan capture 30 frame per detik. Dalam membedakan robot tiap tim, masing-masing robot diberi identitas yang berbeda. Penanda depan dan belakang robot adalah persegi yang berbeda warna, hal ini untuk membuat proses identifikasi dan pencarian posisi dapat tercapai. Gambar 3 menunjukkan penanda masing-masing robot.
Gambar 3. Penanda salah satu robot
Dalam proses pengolahan citra, tahap pertama yang digunakan adalah thresholding. Sebagai inisialisasi posisi awal, proses ini mampu mendeteksi obyek secara cepat. Posisi dideteksi dengan adanya nilai 1 (satu) pada citra. Hal ini dilakukan dengan mengatur fungsi scanning saat thresholding. Saat scanning menyentuh nilai 1 maka scanning terhenti sesaat dan mencatat letak garis scanning tersebut. Gambar 4 akan menjelaskan proses penentuan posisi ini. Garis hijau menunjukkan pengambilan data koordinat x oleh scanning dan garis biru menunjukkan pengambilan data koordinat y oleh scanning (dalam contoh pada Gambar 4 ditunjukkan koordinat x adalah 3 dan y adalah 5). Namun dalam hal ini ada sebuah kelemahan, apabila thresholding tidak sempurna dan terdapat bercak putih sebelum menyentuh objek, maka yang terbaca adalah bercak tersebut bukan objek yang dimaksud.
Struktur dasar dari system jaringan syaraf tiruan diilhami oleh struktur jaringan syaraf biologi, khususnya jaringan otak manusia. Dalam system syaraf otak manusia, bentuk dan ukuran sel syaraf (neuron bermacam-macam), namun semua neuron mempunyai fungsi khusus yang sama, yaitu: • Menerima sinyal masukan yang datang dari neuron-neuron disekitarnya. • Menggabungkan sinyal-sinyal masukan yang masuk. • Memberi respon (tanggapan). • Mengatur potensial aksi yang dikeluarkan sebagai keluaran neuron. Mengirimkan keluaran neuron ke neuron lain. Suatu neuron terdiri dari pembobot, penjumlah fungsi keluaran serta dapat juga memakai elemen bias yang mempunyai harga masukan yang tetap, biasanya bernilai 1. Dengan W adalah elemen-elemen pembobot masukan dan f(.) adalah fungsi keluaran jaringan, masukan Xi yang masuk ke neuron dapat berupa informasi dari luar system atau dari keluaran lapisan neuron sebelumnya (neuron dengan hierarki yang lebih rendah, jika jaringan syaraf tiruan tersebut memiliki banyak lapisan neuron (multilayer). Untuk jaringan syaraf tiruan yang multilayer, maka harga W pada lapisan neuron dengan hierarki paling rendah (lapisan
masukan) yang menerima sinyal informasi dari luar (external). Jaringan syaraf tiruan hanya dapat mengolah masukan bilangan, jika masalah melibatkan besaran kualitatif atau pola gambar, maka pola masukan harus dikwantisasikan ke bilangan yang bersesuaian sebelum diolah dengan jaringan syaraf tiruan.[5] Elemen pembobot W pada setiap neuron merupakan representasi dari kekuatan sambungan ( streng of synapse) antar neuron. Pembobot Wji pada model diatas menyatakan kekuatan sambungan antara neuron lapisan i ke lapisan j. Jika neuron pada lapisan i berjumlah n dan m pada lapisan j, maka pembobot Wji berbentuk matriks m x n. Penulisan dari subskrip pada W selalu dimulai dari lapisan hierarki tertinggi. Sehingga model pembobot tadi ditulis Wji, semua data masukan yang telah diboboti dengan kekuatan sambungannya akan dijumlahkan terlebih dulu sebelum diolah menjadi sinyal keluaran. dan hasil penjumlahan ditulis sebagai NET.[4] Kemudian NET diproses oleh fungsi aktifasi. Fungsi ini adalah sebuah fungsi untuk memutuskan aktif tidak-nya sebuah neuron dengan membandingkan hasil penjumlahan dan nilai ambang (threshold) tertentu. Ada beberapa jenis fungsi aktifasi, seperti hardlim, sigmoid, tansig, dan linier. Sebagai contoh Gambar 6 melambangkan fungsi aktifasi linier, dengan a adalah keluaran dan n adalah masukan.
algoritma ini biasa disingkat dengan BP. Algoritma ini termasuk metode pembelajaran supervised dan didesain untuk operasi pada jaringan feed forward multi lapis. Gambar 7 menunjukkan proses algoritma BP ini. Metode backpropagation ini banyak diaplikasikan secara luas. Diperkirakan 90 % diaplikasikan dibanyak bidang , diantaranya backpropagation ini diterapkan di bidang financial, pengenalan pola tulisan tangan, pengenalan pola suara. Algoritma ini banyak dipakai pada aplikasi pengaturan karena proses pembelajarannya didasarkan pada hubungan yang sederhana, yaitu : jika keluaran memberikan hasil yang salah, maka pembobot (Weight) dikoreksi supaya kesalahannya dapat diperkecil dan respon jaringan selanjutnya diharapkan akan lebih mendekati harga yang benar. Backpropagation juga berkemampuan untuk penanganan pembobot pada lapisan tersembunyi (hidden layer).
Gambar 7 : Proses backpropagation
Gambar 6 : Fungsi aktifasi jenis linier.
Belajar (learning) bagi jaringan syaraf tiruan merupakan proses mengatur harga-harga koneksi pembobot sambungan antar input dan NET untuk mendapatkan harga yang terbaik dengan melatih (training) atau membelajarkan jaringan syaraf tiruan menurut unjuk kerja sistem yang dikehendaki. Pembelajaran jaringan syaraf tiruan bertujuan agar kumpulan pola masukan yang diberikan menghasilkan pola keluaran yang diinginkan atau sangat mendekati pola (dataTarget) keluaran. Kemampuan belajar merupakan juga kemampuan untuk mendekati suatu fungsi (approximation capability). Hal ini membuatnya fleksibel digunakan untuk proses identifikasi suatu plant. Algoritma belajar propagasi balik (backpropagation) pertama kali diformulasikan oleh Werbos dan dipopulerkan oleh Rumelhart dan McClelland untuk dipakai pada jaringan syaraf tiruan, dan selanjutnya
Secara garis besar algoritma ini dideskripsikan, yaitu ketika jaringan diberikan pola masukan sebagai pola pelatihan maka pola tersebut menuju ke simpulsimpul pada lapisan tersembunyi untuk diteruskan ke simpul-simpul lapisan keluaran. Kemudian simpulsimpul lapisan keluaran memberikan respon disebut keluaran jaringan. Saat keluaran jaringan tidak sama dengan yang diharapkan maka akan menyebar mundur pada lapisan tersembunyi diteruskan ke simpul pada lapisan masukan. Oleh karena demikian maka mekanisme pelatihan tersebut disebut propagasi balik. Deteksi orientasi obyek pada penelitian ini didasarkan atas 8 mata angin yang umum digunakan. Oleh karena itu JST yang digunakan juga menggunakan 8 keluaran dengan 25 masukan dari deteksi warna citra. Struktur JST yang digunakan untuk mengidentifikasi orientasi dapat dilihat di Gambar 8. Sedangkan untuk mengidentifikasi koordinat obyek dapat dilihat di Gambar 9.
Gx 1 W2(
Start t)
output 1
Z21|Y21
Gx 2
Gx 3 Z22|Y22
output 2
Akusisi Data Gambar
Gx 4 Z23|Y23
output 3
Gx n
+ e1
e2
+
Inisialisasi data gambar
e3
Yt3 Yt2 Yt1
Gambar 8 : Struktur JST untuk identifikasi orientasi obyek Value1*1 W1(i
,j)
Value2*2 Z1|Y1
Value3*3
Backpropagation dalam memproses data visual
Pengenalan pola
Pengenalan titik tengah
W
Value4*4
Backpropagation dalam memproses data visual
Z2|Y2
: : :
) 2 (t
:
Z3|Y3 Zout |Yout
:
Z4|Y4
ValueN*n
tidak
Z5|Y5
e
+
÷ ValueN
output
Hasil tepat Ya Deteksi orientasi obyek
tidak
Hasil tepat Ya
Deteksi koordinat obyek
ValueN*n
Gambar 9 : Struktur JST untuk identifikasi posisi obyek
4. PERANCANGAN SISTEM Agar dapat sepenuhnya kompatibel dengan sistem berbasis JST yang digunakan dalam penelitian ini, algoritma jaringan MLP neural diimplementasikan dalam Delphi 7, dan komponen tambahan yaitu DSPack untuk komunikasi antara webcam dengan program.
Gambar 11 : Diagram alir pengolahan citra deteksi obyek
Untuk mengurangi tingkat komputasi, citra dipilahpilah menjadi 25 bagian pada range titik posisi awal sebagai sumbu pusat persegi. Gambar 12 menjelaskan teori ini.
Gambar 12: Pembagian citra pada identifikasi obyek
Nilai RGB pada area ini dilakukan dengan mengambil sampel pada tiap-tiap sub persegi. Titik tengah dari sub persegi menjadi tempat untuk memperoleh RGB yang dimaksudkan. Gambar 10 : Diagram blok robot soccer.
Diagram blok untuk sistem robot soccer dapat dilihat pada Gambar 10. Lingkaran merah adalah fokus dari penelitian ini. Sensor ini menggunakan webcam digiGear z2100 beresolusi 320 x 240 piksel dengan kemampuan 30 frame per detik. Diagram alir untuk pengolahan citra dipresentasikan oleh Gambar 11.
Dengan mengatur laju belajar ke 0,001 dan kesalahan minimum 0,0002. Pembelajaran dilakukan dengan mencocokkan hasil keluaran dengan masukan yang telah ditetapkan sebelumnya. Hasil pengolahan citra dapat dilihat di Gambar 13. Robot lawan dan bola ditandai dengan persegi berwarna hijau dan merah. Dari persegi-persegi itu diperoleh posisi dari tiap-tiap elemen, ini juga menandakan pembatasan proses thresholding guna mempercepat komputasi.
digunakan 25 unit masukan yang telah ditetapkan, 8 buah pola kemungkinan arah, epoch yang terakumulasi sampai semua pola selesai dimasukkan dan 3 unit output. Sedangkan untuk kecepatan laju belajar (learning rate) dan toleransi kesalahan dapat diganti –ganti. Hasil pengaruh dapat dilihat pada Tabel 2. Lingkaran merah adalah letak merubah laju belajar dan toleransi kesalahan. Dalam uji coba ini setiap epoch memakan waktu 10 milidetik.
Gambar 13. Perbandingan hasil pengolahan citra (atas) dengan langsung dari kamera (bawah)
Tabel 2. Pengaruh laju belajar dan toleransi kesalahan terhadap kecepatan belajar.
Laju belajar 0.1 0.01 0.0001 0.1 0.01 0.001
5. HASIL IMPLEMENTASI Pengujian RGB dilakukan dengan peletakkan obyekobyek itu pada lima titik, 4 titik adalah pojok lapangan, dan 1 titik tengah lapangan. Hasil pengambilan gambar pada obyek memberikan data maksimum dan minimum. Dalam kolom posisi dihadirkan data koordinat (x, y), dimana pusat koordinat adalah ujung kiri atas dari gambar capture. Pengambilan data dilakukan di Lab B105 pada tanggal 23 Mei 2010 pukul 14.30. Data bisa dilihat pada Tabel 1. Dapat dilihat pada Tabel 1 bahwa dengan obyek yang sama untuk setiap kondisi yang berbeda, nilai RGB bisa berbeda-beda. Rentang perbedaan pun bisa jauh. Hal ini membuat proses thresholding sulit untuk dilakukan dengan sempurna. Tabel 1. Hasil pengambilan data RGB di 5 titik lapangan Robot merah
Posisi obyek terhadap kamera x>270, y>200 x>270, y<50 100<x<200, 80
200
R
G
B
max 241 218
Min 180 166
max 179 161
min 146 129
max 156 131
Min 136 102
255
140
109
122
174
110
250 255
152 200
179 208
97 134
149 196
102 118
Robot Hijau x>270, y>200 x>270, y<50 100<x<200, 80200
152 125
149 105
182 150
176 129
163 131
162 97
159
142
240
159
208
141
152 159
133 101
205 238
145 182
177 216
123 183
239 245
217 184
255 255
232 185
255 255
237 180
240
115
255
114
255
119
238 227
150 153
255 252
127 169
255 249
119 156
Bola x>270, y>200 x>270, y<50 100<x<200, 80200
Dalam tahap pengujian pengaruh laju belajar dan toleransi kesalahan terhadap kecepatan belajar ini
Toleransi kesalahan 0.01 0.01 0.01 0.001 0.001 0.001
Jumlah epoch 16 201 19968 21 307 3132
Data Tabel 2 menunjukkan bahwa kecepatan belajar program JST dipengaruhi oleh laju belajar dan toleransi kesalahan. Semakin besar laju belajar semakin cepat program menyelesaikan proses pembelajarannya. Pada pengujian deteksi orientasi secara real time dilakukan dengan meletakkan robot pada arena. Dan program utama dijalankan. Setelah selesai proses belajar, robot dijalankan seperti halnya robot soccer. Dari pengujian ini diproleh data seperti pada Tabel 3. Keterangan Tabel 3 pada angka 1 adalah ketepatan dan angka 0 berarti kegagalan, untuk huruf a adalah utara, b=barat laut, c=barat, d=barat daya, e=selatan, f= tenggara, g= timur, dan h=timur laut. Tabel 3. Ketepatan hasil JST Jumlah epoch
a
b
c
D
e
f
g
H
% sukses
<50000 >50000 <70000 >70000 <100000 >100000
0 1
1 1
0 0
0 0
0 0
0 0
0 0
0 0
12.5 25
1
1
1
0
0
1
1
0
62.5
1
1
1
1
1
1
1
1
100
Dari data Tabel 3 dapat dilihat bahwa untuk sistem mempelajari sebuah pattern dari 8 pattern yang ada memerlukan lebih dari 100000 epoch. Data diperoleh dengan jumlah epoch adalah 153923, laju belajar 0,001 dan toleransi kesalahan adalah 0,0002. Untuk mengetahui prosentase kesalahan, keluaran yang dihasilkan akan dibandingkan dengan keluaran yang diinginkan. Tabel 4 akan menjelaskan tentang data yang didapat dari pengujian. Prosentase
kesalahan dihitung dengan metode Mean Square Error (MSE). Tabel 4. Data untuk keluaran JST pengenalan pola. Pola arah utara arah barat laut arah barat arah barat daya arah selatan arah tenggara arah timur arah timur laut
Keluaran yang diinginkan [1; 0; 0; 0; 0; 0; 0; 0] [0; 1; 0; 0; 0; 0; 0; 0] [0; 0; 1; 0; 0; 0; 0; 0] [0; 0; 0; 1; 0; 0; 0; 0] [0; 0; 0; 0; 1; 0; 0; 0] [0; 0; 0; 0; 0; 1; 0; 0] [0; 0; 0; 0; 0; 0; 1; 0] [0; 0; 0; 0; 0; 0; 0; 1]
Keluaran JST sebenarnya [1,014; 0,334; 0,023; 0,023; 0; 0; 0; 0] [0; 0,987; 0; 0; 0,012; 0,001; 0,004; 0,006] [0,164; 0; 0,659; 0,001; 0,089; 0,015; 0,053; 0,124] [0,287; 0,128; 0; 0,669; 0,113; 0,027; 0,076; 0,180] [0,341; 0,251; 0; 0; 1,385; 0,033; 0,086; 0,202] [0,361; 0,310; 0; 0; 0; 0,687; 0,089; 0,209] [0,366; 0,328; 0,002; 0; 0; 0; 0,743; 0,211] [0,367; 0,334; 0,019; 0,008; 0; 0; 0; 0,861]
% error
[4] T Suyono, S.Si, “Teori Pengolahan Citra Digital”, Universitas Dian Nuswantoro, Semarang. [5] Mauridhi HeryP, ”Supervised Neural Network dan Aplikasinya” , Graha Ilmu, Yogyakarta, 2006.
1,41 0,33
RIWAYAT PENULIS
2,11 3,25 4,71 4,69 4,4 2,56
Dari Tabel 4 didapat kesimpulan bahwa agar sistem memperoleh orientasi yang diinginkan, keluaran diatur agar pada waktu nilainya diatas 0,6 sudah mendeteksi adanya sebuah orientasi. 6. KESIMPULAN Nilai RGB untuk setiap tempat pada lapangan, berbeda. Hal ini dipengaruhi intensitas cahaya dan keadaan lingkungan sekitar capture citra. Semakin kecil laju belajar dan toleransi kesalahan, semakin lama waktu untuk sistem mempelajari sebuah pola. Metode JST dapat digunakan untuk mengidentifikasi orientasi obyek, namun memerlukan waktu belajar yang lama untuk membedakan satu pola orientasi dengan tujuh orientasi yang lain. Dalam tugas akhir ini memerlukan lebih dari 100000 epoch agar JST dapat bekerja sesuai yang diharapkan. JST dapat mengenali orientasi obyek dengan persentase kesalahan maksimal 4,71 %. REFERENSI
[1] Jose Angelo Gurzoni Jr. ,Murilo Fernandes Martinsy, Flavio Tonidandel, Reinaldo A. C. Bianchi, “A Neural Approach To Real Time Colourrecognition In The Robot Soccer Domain” Dept. of Electrical Engineering Centro Universitarioda FEI ,Brazil.. [2] Manu Chhabra, "Novel Approaches to Vision and Motion Control for Robot Soccer", Department of Computer Science Rochester, University Rochester, NY 14627, USA. [3] Jose Angelo Gurzoni Jr. ,Murilo Fernandes Martinsy, Flavio Tonidandel, Reinaldo A. C. Bianchi, “A Fast and Robust Model Based Real Time Vision System for a Robot Soccer Team” Dept. of Electrical Engineering Centro Universitarioda FEI ,Brazil.
Anggie Riswandanu, lahir di Banyuwangi pada tanggal 19 Mei 1987, merupakan putra kedua dari pasangan Bapak Mudjiono dan Ibu Lismiana. Setelah lulus dari SMA Negeri 1 Glagah Banyuwangi tahun 2005, melanjutkan studi di Diploma 3 Jurusan Teknik Elektro, Institut Teknologi Sepuluh Nopember (ITS) Surabaya melalui Ujian Seleksi Masuk Diploma pada tahun yang sama. Selama studi, penulis aktif menjadi asisten praktikum sistem pengaturan analog dan digital maupun praktikum otomasi sistem. Penulis pernah menjadi asisten dalam beberapa kegiatan pelatihan Programmmable Logic Controller (PLC) yang diadakan oleh Bidang Studi Teknik Sistem Pengaturan. Selain itu, penulis juga pernah menjadi trainer pelatihan Image Proccesing di ITS dan trainer robotik di salah satu sekolah robotik di Surabaya. Pada bulan Juni 2010, penulis mengikuti seminar dan ujian tugas akhir di Bidang Studi Teknik Sistem Pengaturan, Jurusan Teknik Elektro, ITS Surabaya sebagai salah satu persyaratan untuk memperoleh gelar Sarjana Teknik Elektro.
