APLIKASI PENGOLAHAN CITRA BERBASIS GERAKAN TANGAN UNTUK PENGENDALI ROBOT SOCCER WIRELESS. Tenday Agus Setya Wibawa, Akuwan Saleh, Arifin Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember Surabaya e-mail :
[email protected] e-mail :
[email protected];
[email protected] sebagai sumber pengendali robot sehingga dibutuhkan adanya pengolahan citra sebagai proses pengenalan pola gerakan tangan yang berupa citra tangan. Agar dapat digunakan dalam mengendalikan robot dengan baik, proses pengendalian gerakan tangan harus dilakukan secara realtime, sehingga dibutuhkan metode untuk mendeteksi maksud dan tujuan dari obyek gerakan tangan tersebut yaitu metode Optical flow sebagai pembanding citra tangan hasil capture dengan data citra referensi. Dalam proyek akhir ini akan dibuat suatu perangkat lunak yang dapat mengidentifikasi citra gerakan tangan yang diambil melalui kamera yang nantinya digunakan sebagai kontrol robot secara wireless. Dengan adanya proyek akhir ini diharapkan dapat mempermudah manusia dalam berinteraksi dengan robot tanpa menggunakan suatu alat pengendali khusus.
Abstrak-- Pada saat ini pengendalian suatu robot masih tergantung dari alat pengendalinya. Robot masih sulit berinteraksi dengan manusia secara langsung, sehingga perlu dikembangkan bagaimana robot tetap bisa berinteraksi dengan manusia secara mudah. Salah satu pengembangan yang bisa dilakukan adalah penggunaan bahasa isyarat tangan untuk pengendalian robot. Aplikasi ini menggunakan identifikasi gerakan tangan yang digunakan untuk mengidentifikasi pola posisi tangan manusia sehingga dapat diterjemahkan dalam maksud dan tujuan sebagai pengendali robot. Dalam Proyek Akhir ini akan dibuat suatu perangkat lunak yang dapat meng-identifikasi gerakan tangan manusia melalui citra gambar yang ditangkap oleh kamera yang nantinya digunakan sebagai interface kontrol robot. Adapun robot yang digunakan adalah robot soccer yang telah diintegrasikan dengan mikrokontroler sebagai minimum sistem. Hardware yang digunakan untuk sistem komunikasi wireless 802.15.4 adalah Xbee Pro, minimum sistem mikrokontroler ATmega 8535, rangkaian robot soccer yang terdiri modul driver H bridge dan motor DC dan roda penggerak. Hasil dari pengolahan citra berupa deteksi gerakan tangan pada proyek akhir inilah yang digunakan sebagai pengendali gerak robot secara wireless yang realtime & dinamis dengan menggunakan sistem komunikasi 802.15.4 dengan presisi dan memiliki tingkat keakuratan rata-rata aplikasi ini adalah sebesar 80% dengan pergerakan obyek (tangan) dengan kecepatan antara 1-2 detik, sedangkan jarak optimum user terhadap kamera untuk pendeteksian obyek adalah sekitar 50 cm dari kamera.dan intensitas cahaya sebesar 200 lux dengan warna background harus kontras dengan warna tangan.
2.
TEORI PENUNJANG Secara umum Perancangan sistem berdasarkan pada penggabungan antara Robot Soccer Wireless sebagai obyek robot yang akan dikendalikan dan aplikasi perangkat lunak yang berfungsi sebagai interface user untuk mengendalikan gerakan robot. Sistem yang dibuat akan dintegrasikan sehingga dapat mewujudkan sebuah sistem pengendali gerakan robot secara wireless yang berbasiskan pergerakan tangan. Mekanisme dari sistem robot soccer wireless ini dapat dilihat terlihat pada blok diagram berikut ini
Kata Kunci : robot soccer wireless, 802.15.4, OpenCV, image processing. 1.
PENDAHULUAN Manusia selalu ingin berinovasi untuk menciptakan suatu cara agar interaksi manusia dalam mengendalikan robot dapat dilakukan secara mudah. Namun pada saat ini, secara umum pengendalian robot masih dilakukan secara manual atau bergantung pada alat pengendalinya, tanpa alat pengendali, robot tidak akan berjalan sesuai yang diharapkan. Robot sulit untuk berintraksi dengan manusia secara langsung, sehinnga perlu dikembangkan suatu cara agar robot dapat berinteraksi dengan manusia secara mudah. Dalam hubungannya dengan robot, agar dapat berinteraksi antara manusia dengan robot secara mudah maka robot harus memahami gerakan tangan manusia terlebih dahulu
Gambar 2.1 Blok Diagram Sistem
2.1.1 Pengenalan Robot Soccer Robosoccer adalah salah satu jenis mobile robot sederhana yang dapat bergerak sesuai perintah yang diberikan dari remote kontrol dapat berupa maju, mundur, belok kiri, dan belok kanan. Ide awal menggunakan robot dalam permainan sepak bola dicetuskan oleh Profesor Alan Mcworth dari Universitas British Columbia, Kanada dalam papernya yang berjudul “On Seeing Robot” yang dipresentasikan padaVI92, 1992 dan dipublikasikan di buku Computer Vision:
1
Tabel 2.1 Spesifikasi dari Xbee- PRO.
System, Theory, and Applications halaman 1-13, World scientific Press, Singapore, 1993. Beberapa seri dari paper yang diterbitkan oleh kelompoknya adalah tentang dinamo robot untuk sepak bola. Robosoccer merupakan robot analog yang dikendalikan secara manual melalui sebuah remot kontrol. Pada aplikasi yang lebih canggih, robosoccer dapat dikendalikan melalui remot kontrol wireless sehingga dapat dikendalikan secara jarak jauh/nirkabel.
Indoor Urban-Range Outdoor RF line-ofsight Range Transmit Power Output (software selectable) RF Data Rate Serial Interface Data Rate (software selectable) Receiver Sensitivity Power Requirements Supply Voltage Idle / Receive Ourrent (typical) Power-down Current General Operating Frequency Frequency Band Modulation Dimensions Operating Temperature Antenna Options Networking & Security Supported Network Topologies Number of Channels (softw are selectable)
Gambar 2.2 Robot Soccer
2.1.2 Pengolahan Citra Pengolahan citra merupakan suatu metode yang digunakan untuk mengolah citra sehingga menghasilkan citra lain sesuai keinginan dengan kualitas yang lebih baik. Citra dalam perwujudannya dapat bermacam-macam, mulai dari gambar hitam putih dalam sebuah foto (yang tidak bergerak) sampai pada gambar berwarna yang bergerak. Proses transformasi dari bentuk tiga dimensi ke bentuk dua dimensi untuk menghasilkan citra akan dipengaruhi oleh bermacam-macam faktor yang mengakibatkan penampilan citra suatu benda tidak sama persis seperti bentuk fisik nyatanya. Pengolahan citra ini dapat diaplikasikan ke dalam berbagai bidang antara lain dalam bidang robotik, biomedik, penginderaan jarak jauh, hiburan, geologi maupun hukum. Adapun beberapa proses pengolahan citra antara lain : Penjumlahan Warna Pengubahan Kecerahan Gambar (Image Brightness) Penskalaan Citra Pengenalan Pola
Performance up to 300’ (100 m) up to 1 mile (1500 m) 60 mW (18 dBm) conducted, 100 mW (20 dBm) EIRP 250,000 bps 1200 – 115200 bps (non-standard baud rates also supported) - 100 dBm (1% packet error rate) 2.8 – 3.4 V 55 mA (@3.3 V) < 10 µA ISM 2.4 GHz 2.4 - 2.4835 GHz OQPSK 0.960" x 1.297" (2.438cm x 3.294cm) -40 to 85° C (industrial) Integrated Whip, Chip or U.FL Connector Point-to-point, Point-to multipoint & Peerto-peer 12 Direct Sequence Channels
Tabel 2.2 Konfigurasi & simkronisasi Pemrograman XCTU No. 1 2 3 4 5 6 7
Model RF 1 +++ <Enter> ATDL2<Enter> ATMY1 <Enter> ATCHC<Enter> ATID1010<Enter> ATCN <Enter> ATWR <Enter>
Modul RF 2 +++ <Enter> ATDL1 <Enter> ATMY12 <Enter> ATCHC<Enter> ATID1010<Enter> ATCN <Enter> ATWR <Enter>
2.1.4 Metode Optical Flow Proses deteksi adanya citra gerakan tangan dalam sebuah gambar pada OpenCV, menggunakan sebuah metoda yang umum digunakan untuk gambar bergerak adalah metode Optical. Pendekatan untuk mendeteksi obyek dalam gambar menggabungkan empat konsep utama : a. Fitur segi empat sederhana yang disebut fitur Haar. b. Integral image untuk pendeteksian fitur secara cepat. c. Metoda machine learning AdaBoost. d. Pengklasifikasi bertingkat (Cascade classifier) untuk menghubungkan banyak fitur secara efisien.
Gambar 2.3 Gabungan Citra RGB
2.1.3 Wireless 802.15.4 (XBee-PRO) Perangkat XBee-PRO merupakan modul RF yang didesain dengan standard protokol IEEE 802.15.4 dan sesuai dengan kebutuhan yang sederhana untuk jaringan sensor tanpa kawat. XBee-PRO hanya membutuhkan energi yang rendah untuk beroperasi dan dimensi fisiknya kecil sehingga praktis dalam penempatan. Modul ini beroperasi pada rentang frekuensi 2.4 GHz.
Gambar 2.4 Contoh Fitur Pada Optical Flow
Fitur yang digunakan oleh Optical Flow didasarkan pada Wavelet Haar. Wavelet Haar adalah gelombang tunggal bujur sangkar (satu interval tinggi dan satu interval rendah ). Untuk dua dimensi, satu terang dan satu gelap. Selanjutnya kombinasi-kombinasi kotak yang digunakan untuk
2
pendeteksian obyek visual yang lebih baik disebut fitur Haar, atau fitur Haarlike, seperti pada gambar 2.4 di atas menunjukkan fitur yang digunakan dalam pendektesian citra tangan. Adanya fitur Haar ditentukan dengan cara mengurangi rata-rata piksel pada daerah gelap dari rata-rata piksel pada daerah terang. Jika nilai perbedaannya itu diatas nilai ambang atau treshold, maka dapat dikatakan bahwa fitur tersebut ada. Hal tersebut diuraikan dalam persamaan sebagai berikut:
citra berbasis gerakan tangan sebagai pengendali robot soccer secara wireless. 3.1 Perancangan Perangkat Keras Tahap paling awal yang harus dilakukan pada penelitian ini adalah persiapan peralatan-peralatan yang dibutuhkan dalam sistem, yaitu : PC (personal computer) / laptop. Kabel Serial DB 9 (male & female). Kabel konverter Usb to Serial. Minimum sistem AVR AT Mega 8535. Robot soccer wireless. Driver & Modul Xbee Pro. Tabel 3.1 Alokasi serta pengalamatan port & pin ATMega 8535
Gambar 2.5 Contoh Fitur Optical Flow
No. 1. 2. 3. 4. 5.
Untuk menentukan ada atau tidaknya dari ratusan fitur Haar pada sebuah gambar dan pada skala yang berbeda secara efisien, Optical Flow menggunakan satu teknik yang disebut Integral Image. Pada umumnya, pengintegrasian tersebut berarti menambahkan unit-unit kecil secara bersamaan Untuk memilih fitur Haar yang spesifik yang akan digunakan dan untuk mengatur nilai ambangnya (threshold), Optical Flow menggunakan sebuah metode machine learning yang disebut AdaBoost Cascade Haar.
Data a b c d t
Alamat Pin ATMega 8535 PORTC.2=0 & PORTC.4=0 PORTC.0=0 & PORTC.1=0 PORTC.2=0 PORTC.4=0 PORTA.7=1
Aksi Robot Maju Mundur Kiri Kanan Shoot
3.2
Perancangan Perangkat Lunak Sistem perangkat lunak dalam proses deteksi dan penentuan posisi gerakan tangan sesuai dengan metode optical flow ini menggunakan bahasa pemrograman C++ versi Microsoft Visual Studio 6.0 serta OpenCV library untuk pengolahan citranya. Sedangkan CVAVR digunakan untuk membuat program mikrokontroler interfacenya sehingga dengan pemrograman berorientasi obyek diharapkan dapat memudahkan user dalam menggunakan aplikasi ini.
Gambar 2.6 Cascade Classifier.
Threshold yang dapat diterima untuk masing-masing level filter di set rendah. Selama proses pemfilteran, bila ada salah satu filter gagal untuk melewatkan sebuah daerah gambar, maka daerah itu langsung digolongkan sebagai bukan obyek. Namun ketika filter melewatkan sebuah daerah gambar dan sampai melewati semua proses filter yang ada dalam rangkaian filter, maka daerah gambar tersebut digolongkan sebagai obyek. Optical Flow memberi sebutan cascade. Urutan filter pada cascade ditentukan oleh bobot yang diberikan AdaBoost. Filter dengan bobot paling besar diletakkan pada proses pertama kali, bertujuan untuk menghapus daerah gambar bukan obyek secepat mungkin.
Gambar 3.1 Flowchart Sistem
3.
PERANCANGAN IMPLEMENTASI SISTEM Pada bab ini akan dibahas mengenai perencanaan dan pembuatan perangkat keras (hardware) dan perangat lunak (software) dari sistem yang akan dibuat. Langkahlangkah pembuatan sistem mulai dari pengambilan data, pengolahan citra tangan (ekstraksi & deteksi), interface dengan mikrokontroler, penentuan koordinat obyek dengan penerapan metode optical flow,transmisi data secara wireless sampai dengan sistem kendali pada robot soccer wireless. Sistem ini secara keseluruhan terdiri dari komponenkomponen baik software maupun hardware yang saling terintegrasi membentuk sebuah sistem aplikasi pengolahan
3.3
Perancangan Proses Kinerja Sistem Berdasarkan beberapa sumber yang ada, metode yang untuk mengenali sebuah obyek yang bergerak sangat beraneka ragam. Salah satunya adalah menggunakan identifikasi fitur bentuk dari obyek tersebut, dalam hal ini adalah tangan. Hasil dari identifikasi tersebut dilakukan sebagai pengendali gerakan robot soccer wireless dengan menggunakan Cascade Clasifier Haar Cascade dalam metode Optical Flow. Secara garis besar, gambaran sistem pendeteksi gerakan tangan seperti pada blok diagram berikut ini :
3
4.
PENGUJIAN & ANALISA SISTEM Pada tahapan ini, pengujian & analisa perangkat lunak akan dibagi menjadi empat bagian yang meliputi : 1. Pengujian kecepatan gerak tangan. 2. Pengujian deteksi posisi tangan. 3. Pengujian jarak obyek dengan webcam. 4. Pengujian pengaruh intensitas cahaya terhadap pendeteksian obyek. 5. Pengujian data posisi obyek terhadap pemetaan koordinat. Berikut ini adalah tampilan interface dari perangkat lunak pada sistem ini :
Gambar 3.2 Diagram Blok Kinerja Sistem
3.4
Pemetaan Koordinat Obyek (Optical Flow) Langkah selanjutnya adalah melakukan pemetaan (mapping) koordinat posisi dari citra tangan itu sendiri. Dari sini kita sudah bisa memulai tahapan pendeteksian tangan, yaitu dengan memanfaatkan metode optical flow yang membagi window dengan ukuran 640 x 480 dari program C++ menjadi 4 buah kuadran yang dipisahkan oleh satu buah garis vertikal dan satu buah garis horizontal atau lebih dikenal sebagai absis (sumbu x) dan ordinat (sumbu y) dalam sistem koordinat. Dimana setiap sumbu baik x maupun y memiliki kutub (polar) yaitu kutub posistif & negatif yang dipisahkan oleh titik pusat dengan koordinat (0,0). Apabila posisi atau koordinat tangan sudah didapat, maka proses pada tahap pengolahan citra (Image Processing) dilanjutkan dengan proses melakukan transformasi koordinat awal dengan koordinat yang baru, proses ini dilakukan dengan cara memetakan posisi koordinat baru dengan cara membandingkan dengan titik pusat (0,0) sehingga bisa diketahui secara pasti koordinat object tersebut kemudian mengklasifikasikan koordinat itu termasuk ke kategori kuadran tertentu. Adapun pembagian kategori kuadran yang digunakan dalam sistem ini adalah sebagai berikut : 1. Kuadran I (A) Jika posisi obyek ada pada absis (sb. x) = negatif (-) dan ordinat = positif (+). Sehingga berada pada kuadran I (a) yang berada di kiri atas window sistem ini dengan arah maju. 2. Kuadran II (B) Jika posisi obyek ada pada absis (sb. x) = positif (+). dan ordinat (sb. y) = positif (+). Sehingga berada pada kuadran II (b) yang berada di kanan atas window sistem ini dengan arah mundur. 3. Kuadran III (C) Jika posisi obyek ada pada absis (sb. x) = negatif (-) dan ordinat (sb. y) = negatif (-) Sehingga berada pada kuadran III (c) yang berada di kiri bawah window sistem ini dengan arah kiri. 4. Kuadran IV (D) Jika posisi obyek ada pada absis (sb. x) = positif (+). dan ordinat (sb. y) = negatif (-)Sehingga berada pada kuadran IV (d) yang berada di kanan bawah window sistem ini dengan arah kanan.
Gambar 4.1 Tampilan interface sistem Tabel 4.1 Tabel karakteristik telapak tangan subyek No.
Subyek
Ukuran Tangan (cm)
Warna Kulit (Hexa)
1. 2. 3. 4.
1 2 3 4
8 x7 8x7 10 x 10 10 x 10
#FFDEAD / Najavo White #DEB887 / Burly Wood #FFDEAD / Najavo White #DEB887 / Burly Wood
4.1
Pengujian Kecepatan Gerakan Obyek (Motion Detection) Pada pengujian ini dilakukan untuk menguji kemampuan senstivitas frame per second (fps) webcam dalam menangkap dan mendeteksi gerakan obyek yang begerak. Uji coba terhadap deteksi pergerakan ini dilakukan dengan cara mlakukan perubahan gerakan tangan dari suatu posisi ke posisi yang lain dalam window interface dengan intensitas cahaya tetap yaitu sebesar : 300 lux dengan percobaan sebanyak 3 kali dengan jarak uji : 40 cm. Berikut adalah tabel perbandingan deteksi pergerakan dengan posisi obyek yang berbeda : Tabel 4.2 Uji Kecepatan Gerakan Tangan Subyek
Diam
Sedang
Cepat
1
Terdeteksi
Terdeteksi
Terdeteksi
2
Terdeteksi
Terdeteksi
Delay 2 s
3
Terdeteksi
Terdeteksi
Gagal
4
Terdeteksi
Delay 1 s
Gagal
Rata-Rata
100 %
75 %
25%
Tabel diatas menjelaskan bahwa semakin cepat gerakan yang dilakukan subyek maka sensitifitas dari sistem motion detection akan semakin rendah, begitu pula sebaliknya semakin lambat Pada pengujian deteksi obyek dengan parameter kecepatan gerak user ini ada beberapa faktor yang perlu diperhatikan antara lain : seberapa cepat kamera mengambil frame untuk tiap detiknya. Semakin tinggi nilai rata-rata frame per detiknya maka pendeteksian obyek dengan gerakan cepat pun dapat dilakukan.
Gambar 3.3 Pemetaan kuadran pada sistem dengan ukuran window 640x320 piksel
4
Hal ini dapat di atasi dengan penggunaan kamera yang dapat mengambil frame sebanyak mungkin dalam satu detiknya (nilai fps tinggi). Selain itu faktor yang perlu diparhatikan berikutnya adalah seberapa baiknya processor yang di gunakan, serta seberapa besar memori komputer yang dipakai (memory usage) serta posisi kamera dengan tangan user harus tegak lurus.
4.1.3 Pengujian Jarak Obyek Terhadap Webcam Parameter yang juga sangat berpengaruh pada bagian pendeteksian obyek kali ini adalah jarak antara si pengguna dengan kamera yang digunakan. Namun pada pengujian kali ini hanya dilakukan pada user yang pendeteksiannya tepat pada area tangan yang tegak lurus dan ketinggiannya sejajar dengan tinggi webcam. Pengujian ini dilakukan dengan intensitas cahaya tetap yaitu sebesar : 300 lux dengan percobaan sebanyak 3 kali. Berikut adalah tabel pendeteksian obyek beradasarkan jarak user dengan kamera. Tabel 4.4 Pengujian Jarak Obyek Terhadap Webcam. Subyek
Gambar 4.2. Grafik Prosentase Deteksi Gerakan
Normal Terdeteksi
2.
Terdeteksi
3. 4. Rata Rata
Terdeteksi Terdeteksi 100 %
30° Terdetek si Terdetek si Delay 3s Delay 3s 50 %
60 √
80 √
100 D2
45° Gagal
90° Gagal
Terbalik Gagal
Gagal
Gagal
Gagal
Gagal Gagal 0%
Gagal Gagal 0%
Gagal Gagal 0%
120 X
140 X
160 X
2.
√
√
√
D1
3.
D1
√
√
√
X
X
D3
X
√
D3
√
4.
D1
√
√
X
√
√
D3
X
X
Rata2 (%)
50
100
100
75
50
50
25
0
Keterangan : Tanda “” menunjukkan tangan terdeteksi oleh sistem Tanda “X” menunjukkan tangan tidak terdeteksi oleh sistem D1 = Delay 1 sekon D2 = Delay 2 sekon D3 = Delay 3 sekon
Tabel 4.3 Pengujian Deteksi Posisi Tangan. Subyek 1.
40 √
1.
4.1.2. Pengujian Deteksi Posisi Obyek. Deteksi obyek pada tugas akhir ini menggunakan proses cascade haar dengan data sejumlah 1430 sample positif dan 200 sample negatif, dengan 19 stage pada cascade classifiernya. Pengujian pada tahap ini dilakukan dengan beberapa variasi posisi sudut searah jarum jam yang dibentuk oleh tangan, diantaranya adalah : 0° (normal), 30°, 45° 90°, 360° (terbalik). Pengujian ini dilakukan dengan intensitas cahaya tetap yaitu sebesar : 300 lux dengan percobaan sebanyak 3 kali dan jarak uji : 40 cm.
Jarak Obyek (cm) 20 √
Berikut adalah grafik perbandingan prosentase deteksi obyek beradasarkan jarak user dengan kamera.
Gambar 4.4. Grafik Pengujian Jarak Obyek Dari pengujian diatas dapat dianalisa dan disimpulkan bahwa semakin besar ukuran tangan, maka sistem deteksi obyek akan bekerja lebih baik apabila dilakukan pada jarak yang agak jauh dari posisi kamera (40 cm - 120 cm). Nilai optimum dari pengujian deteksi obyek berdasarkan jarak kamera adalah 40-60 cm. Keadaan ini berlaku pada kondisi cahaya normal..
Gambar 4.3. Grafik Perbandingan Deteksi Posisi Tangan.
Pada pengujian ini dapat dianalisa bahwa kondisi posisi tangan berpengaruh untuk deteksi obyek, dimana saat tangan posisi 0° (normal) proses deteksi berjalan dengan baik, namun ketika posisi 30°, sistem berjalan di bawah standar yaitu 50% sehingga sebagian obyek tidak dapat dideteksi dengan baik & benar. Sedangkan untuk posisi 45°, 90° dan 360° (terbalik) sistem sama sekali tidak dapat melakukan proses deteksi. Hal ini dikarenakan posisi 45°, 90° dan 360° (terbalik) tidak termauk dalam sample data positif cascade haar, sehingga saat sistem berjalan dengan proses cascade classifier, dimana sistem akan melakukan klasifikasi secara bertingkat sesuai kemiripan dengan sampel data positif yang telah ditandai dalam proses obyek marker.
4.1.4 Pengujian Pengaruh Pencahayaan Terhadap Deteksi Obyek Pengujian kali ini yaitu tentang pengaruh intenssitas cahaya yang ada di ukur oleh alat pengukur intensitas cahaya (luxmeter). Untuk mengetahui tingkat cahaya maka akan dibagi dengan 3 waktu yaitu pagi, siang, dan malam.
5
Tabel 4.5 Pengujian Pengaruh Pencahayaan terhadap Sistem Subyek
4.2.1 Pengujian Jarak Maksimal Kinerja Sistem. Untuk mengetahui kemampuan jangkauan area kerja sistem (Xbee Pro) dalam melakukan pengiriman dan penerimaan data dalam robot soccer wireless. Berdasarkan pengujian Xbee Pro yang telah dilakukan dapat diketahui bahwa Xbee Pro dapat mengirim karakter dengan baik tanpa ada loss dan delay ketika berada di area terbuka.hal itu dikarenakan pada ruangan terbuka, sinyal input dapat diterima secara langsung tanpa mengalami defleksi/pemantulan maupun pembelokan sinyal sehingga dapat diterima secara langsung oleh xbee pro penerima (robot) Ketika dilakukan pengujian yang berada di area dalam ruangan, untuk jarak 1 s/d 29 meter berlangsung dengan baik. Namun pada jarak 30 meter sudah mengalami delay selama 15-20 detik.dan pada jarak 90 meter, data tersebut mengalami rugi-rugi (loses). Sehingga mengakibatkan terputusnya komunikasi antara remot kontrol dan robot. Hal tersebut dipengaruhi adanya defleksi sinyal input selain itu faktor kontur/relief daerah tersebut yang mempengaruhi kinerja transmisi data pada sistem ini.
Kondisi Pencahayaan
1.
Pagi Terdeteksi
Siang Terdeteksi
Malam Terdeteksi
2.
Terdeteksi
Terdeteksi
Delay 1 s
3.
Terdeteksi
Delay 1 s
Delay 6 s
4.
Terdeteksi
Terdeteksi
Gagal
Rata-Rata (%)
100
100
50
Dimana dalam pengujian ini dilakukan pada kondisi di dalam ruangan (indoor) dan dihasilkan rata – rata besaran intensitas cahaya (lux) sebagai berikut : Tabel 4.6 Besaran Intensitas Cahaya Saat Pengujian. No.
Kondisi Pencahayaan
Intensitas Cahaya (Lux)
1.
Pagi
±150 – 400
2. 3.
Siang Malam
±180 – 550 ±50 – 200
Tabel 4.8 Jarak maksimum komunikasi data pada Xbee pro dalam kondisi diluar ruangan (Outdoor Area) No. 1 2 3 4 5 6 7 8 9 10. 11. 12.
Gambar 4.5 Grafik prosentase perbandingan pengaruh pencahayaan obyek. 4.1.5 Pengujian Posisi Obyek Dan Transmisi Data Pengujian kali ini yaitu tentang posisi obyek terhadap pemetaan koordinat Untuk mengetahui tingkat ketepatan gerak akan dilakukan pengujian dengan jarak normal (50 cm) dan intensitas pencahayaan sebesar 200 lux.
Posisi Kuadran
Kirim Karakter
Status Robot
1.
I
a
Maju
2.
II
b
Mundur
3.
III
c
Kiri
4.
IV
d
Kanan
5.
Poros
t
Tendangan
Status Transmisi Data Terikrim Data Terikrim Delay 5 -10 detik Delay 10 detik Delay 10-15 detik Delay 17 detik Delay 20-25 detik Delay 25 detik Data Loss Data Loss Data Loss Data Loss
4.2.2 Pengujian Waktu Transmisi Data Sistem Untuk mengetahui kemampuan waktu / kecepatan Xbee Pro dalam melakukan pengiriman dan penerimaan data dalam robot soccer wireless pada jarak tertentu.
Tabel 4.7 Status Posisi Obyek & Data transmisinya. No.
Jarak (meter) 10 20 30 40 50 60 70 80 90 93 96 100
Tabel 4.9 Waktu transmisi secara wireless pada jarak tertentu
4.2
PENGUJIAN DAN ANALISA SISTEM SECARA KESELURUHAN Pengujian sistem secara keseluruhan dilakukan untuk mengetahui kinerja akhir dari sistem ini. Beberapa parameter pengujian yang dilakukan antara lain : 1. Jarak Optimal Sistem. 2. Waktu Transmisi. 3. Pergerakan Robot.
6
Data Input a a a a
Jarak (m) 1 2 3 4
Waktu Pengiriman (s) 1 1 1 1
a a a a a a
5 6 7 8 9 10
1 1 1 1 2 2
Dimana secara umum rumusan untuk menghitung amplitudo suatu sinyal adalah sebagai berikut : Amplitudo (A) = ∑ kotak Vpp x Volt/div x Redaman kabel (probe)..........(4)
Sehingga dari rumusan diatas dapat diperoleh nilai amplitudo Tx dan Rx yang sama yaitu sebesar 20 volt.. 5.
KESIMPULAN Dari hasil pengujian dan analisa pada bab sebelumnya, maka dapat diambil beberapa kesimpulan sebagai berikut : 1. Jarak optimum untuk pendeteksian object adalah 40-60 cm dari kamera. Semakin jauh posisi user terhadap kamera, maka pendeteksian akan semakun sulit. 2. Sistem mampu menangkap object yang bergerak dengan baik pada kecepatan kurang 2-4 detik. 3. Sistem mampu mengendalikan robot soccer dengan baik sesuai dengan arah pergerakan tangan dengan posisi tangan kanan menggenggam prosentase keakuratannya sebesar 80 % untuk kondisi intensitas cahayayang ideal yaitu 200 -300 lux dengan jarak obyek terhadap kamera sebesar 40-60 cm. 4. Hasil pengujian banyak dipengaruhi oleh kondisi cahaya & luas ruangan yang berbeda sehingga menpengaruhi proses kinerja sistem. 5. Tingkat keberhasilan proses deteksi obyek pada sistem ini tidak terlepas dari faktor intensitas cahaya, kontras background serta warna kulit subyek.
Gambar 4.7 Grafik rata-rata transmisi data pada sistem dengan jarak tertentu 4.2.3 Pengujian Pergerakan Robot Untuk mengetahui pergerakan robot (gerak motor) dalam melakukan tindakan sesuai dengan perintah dari user melalui remot control. Tabel 4.10 Pergerakan Robot Perintah Maju
Karakter a
Gerak motor pada robot Motor kanan CW,Motor kiri CCW Motor.kanan CW
Kiri
c
Kanan
d
Motor. kiri CCW
Mundur
b
Motor kanan CCW, Motor kiri CW
Tendang
t
Motor Depan CCW
Keterangan : CW : Clockwise (searah jarum jam) CCW: Counter Clockwise (berlawanan jarum jam) 4.2.4 Pengujian Perbandingan Amplitudo Sinyal Tx & Rx Pada Sistem Secara Wireline Maupun Wireless. Pada pengujian ini dilakukan pengamatan besaran amplitudo sinyal di sisi pengirim (Tx) / laptop dan dibandingkan dengan amplitudo sinyal yang diterima di sisi penerima (Rx)/Robot denagn menggunakan peralatan pengukuran sinyal yaitu Osciloscope Analog Type Kenwood DCR-8300. Pada saat pengamatan dilakukan pengiriman karakter “a” dengan kondisi kinerja sistem yang ideal yaitu jarak kamera dengan obyek sebesar 50 cm, intensitas cahaya sebesar 200 lux. Jarak antara subyek dengan robot sekitar 1 meter. Berikut ini adalah hasil pengamatan menggunakan osciloscope.
[1].
[2]. [3]. [4].
[5].
[6]. [7].
[8]. (a)
b)
Gambar 4.8 Sinyal data pada (a). Tx & (b). Rx baik secara wireline maupun wireless
[9].
Pada gambar pengamatan Tx & Rx diatas dapat diambil beberapa data pengukuran antara lain : a. Time/div = 10 ms/div b. Volt/div = 10 volt/div c. ∑ kotak Vpp/div = 2 kotak/div d. Redaman kabel (probe) = 1x
[10]. [11].
7
DAFTAR PUSTAKA Tom Cassey, Tommy Chheng, Jefery Lien,”Camera Based Hand and Body Driven Interaction with Very Large Display”, ucsd lab, June 15, 2007. Neo, Naotoshi. “OpenCV Haar Training”. 2007. Sun, Min. “OpenCV and face detection”. 2006. Gary Bradski, Adrian Kaehler. “Learning OpenCV”.Oreilly team’s Intel. 2005. Paul Viola and Michaels J. Jones. “Rapid Object Detection using boosted Cascade of Simple Features”. IEEE CVPR, 2001. Robin Hewitt. “seeing with openCV part 2 – Finding Face inimage”. Jan, 2007. Gary Agam. “introduction to programming with OpenCV”. 2006. Jure Kovac, Peter Peer, and Franc Solina, "Human Skin Colour Clustering for Face Detection" , Faculty of Computer and Information Science University of Ljubljana, Satriyanto Edi, " Identifikasi Gerakan Tangan Sebagai Pengendali Telerobotik Secara Real-Time ", Tesis Program Pascasarjana Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Teknologi Sepuluh Nopember, 2006. Yuli Handoko Eko, ”Sistem Koordinat, Referensi & Skala”, Buku Diktat ITS,2004. Riyanto Sigit, Achmad Basuki, Nana Ramadijanti, Dadet Pramadihanto, Praktikum Pengolahan Citra, buku diktat PENS – ITS, 2003.
[12].
[13].
[14].
[15]. [16].
Agus Setya W, Tenday, ”Rancang Bangun Robot Soccer Wireless Berbasis Mikrokontroler”. EEPISITS, Juli 2010. Saputro, Jaya, ”Rancang Bangun Pengaturan Tempat Tidur Pasien Menggunakan Bahasa Isyarat Tangan”. EEPIS-ITS, Juli 2010. Pradana, Indika, ”Identifikasi Isyarat Tangan Untuk Sistem Keamanan Brankas Dengan Metode Fuzzy C Means”. EEPIS-ITS, Juli 2011. Open computer vision library. Http://sourceforge.net/project/opencvlibrary/. OpenCV Forum & Community http://tech.groups.yahoo.com/group/OpenCV/ http://opencv.willowgarage.com/wiki/
8
