Sistem Pengukuran Gerakan Lower Limb Segment pada Sagittal Plane dengan Menggunakan Sebuah Web Camera dan Marker

Sistem Pengukuran Gerakan Lower Limb Segment pada Sagittal Plane dengan Menggunakan Sebuah Web Camera dan Marker Darius - 2207100184 Jurusan Teknik Elektro – FTI, Institut Teknologi Sepuluh Nopember Kampus ITS, Surabaya – 60111

Abstrak - Lower Limb Segment tubuh manusia merupakan bagian utama untuk manusia berdiri dan berpindah tempat. Untuk melakukan pergerakan, dibutuhkan koordinasi Lower Limb Segment. Pada kasus tertentu, dibutuhkan pengukuran terhadap Lower Limb Segment, baik secara fisik maupun kimia. Saat ini telah terdapat sistem pengukur secara fisik yang baik (sudut-sudut pada Lower Limb Segment, oleh Vicon, Optotrack, dan lainnya) namun dengan harga mahal, cukup rumit, membutuhkan banyak kamera, membutuhkan ruangan khusus dan membutuhkan orang yang ahli untuk melakukan pengukuran sehingga menyulitkan bagi praktisi rehabilitasi kesehatan maupun bagi orang awam yang hendak membantu dalam proses rehabilitasi. Tugas akhir ini merupakan perancangan sebuah sistem pengukuran sederhana yang menggunakan sebuah web kamera sebagai input dan sudut kaki sebagai output-nya. Kata kunci : Lower Limb Segment, Single Web Camera Measurment.

1. PENDAHULUAN Lower Limb Segment tubuh manusia merupakan bagian utama untuk manusia berdiri dan berpindah tempat. Untuk melakukan pergerakan, dibutuhkan koordinasi pada bagian-bagian Lower Limb Segment. Pada kasus tertentu, dibutuhkan pengukuran terhadap Lower Limb Segment, baik secara fisik maupun kimia. Saat ini sudah terdapat sistem pengukur secara fisik yang baik (sudut-sudut pada Lower Limb Segment, oleh Vicon, Optotrack, dan lainnya) namun dengan harga mahal, cukup rumit, membutuhkan banyak kamera, membutuhkan ruangan khusus dan membutuhkan orang yang ahli untuk melakukan pengukuran sehingga menyulitkan bagi praktisi rehabilitasi kesehatan maupun bagi orang awam yang hendak membantu rehabilitasi. Tujuan dari penelitian ini menghasilkan sistem yang mampu mendapatkan dari untuk lutut kaki dengan menggunakan sebuah web camera sebagai input-nya. Permasalahan-permasalahan yang muncul dalam penelitian ini diantaranya adalah peletakan marker yang tepat agar didapatkan hasil pengukuran yang akurat, penggunaan warna marker yang berbeda dari warna latar. Pengambilan data melalui web camera secara real time dengan pencahayaan yang cukup, serta pengolahan hasil pengambilan data dalam bentuk sudut dan grafiknya.

Gambar 2.1 Lower Limb Segment tubuh manusia. [2] Pada sistem skeletal, tulang dan sendi menjadi penggerak pasif dimana pergerakan dari penggerak aktif (otot) dibatasi oleh jenis dari sendi yang ada. Pada lower limb segment, terdapat 3 sendi utama yang digunakan untuk berjalan, pinggul (hip-joint), lutut (knee-joint) dan pergelangan kaki (anklejoint). Hip-joint memiliki 3 buah DoF (Degree of Freedom), knee-joint memiliki 1 buah DoF dan angkle-joint memiliki 2 buah DoF. [3] Lower limb segment dapat pula dilihat berdasarkan bidang-bidang.

2.2 Sagittal Plane Untuk mempermudah dalam pembelajaran, tubuh manusia dibagi kedalam bidang-bidang. Bidang tubuh adalah garis imajiner membagi tubuh manusia menjadi 3bidang:  Transversal Plane : Bidang horizontal, membagi tubuh menjadi bagian atas dan bawah  Frontal Plane : Bidang vertikal yang membagi tubuh menjadi bagian depan dan belakang  Sagittal Plane : Bidang vertical yang membagi tubuh menjadi bagian kiri dan kanan

2. TEORI PENUNJANG 2.1 Lower Limb Segment Berarti bagian bawah tubuh atau dapat dideskripsikan sebagai anggota gerak tubuh bagian bawah, mulai dari pelvic girdle ke seluruh bagian kaki. Lower Limb Segment tubuh manusia merupakan bagian utama tubuh manusia dalam berdiri dan berpindah tempat. Dalam melakukan pergerakan, dibutuhkan koordinasi beberapa bagian dari Lower Limb Segment, antara lain sistem syaraf sebagai pengontrol pergerakan, otot sebagai penggerak aktif, dan tulang sebagai penggerak pasif.[1]

Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS

Gambar 2.2 Bidang-bidang pada tubuh.[4]

2.3 Citra Digital Dalam Kamus Besar Bahasa Indonesia (KBBI) citra memiliki arti, rupa; gambar; gambaran; data atau informasi dari potret udara untuk bahan evaluasi.[5] Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus (continue) dari intensitas cahaya pada bidang dua dimensi. Sumber cahaya menerangi objek, objek memantulkan kembali sebagian dari berkas cahaya. Pantulan cahaya ini ditangkap oleh alat-alat optik, seperti mata pada manusia, kamera, pemindai (scanner), dan lain-lain sehingga bayangan objek dalam bentuk citra dapat terekam. Citra sebagai output dari suatu sistem perekaman data berupa: a. Optik, berupa foto, b. Analog berupa sinyal video, seperti gambar pada monitor televisi, c. Digital yang dapat disimpan pada pita magnetik.[6] Citra digital dapat didefinisikan sebagai fungsi dua variabel, f(x,y), dimana x dan y adalah koordinat spasial dan nilai f(x,y) yang merupakan intensitas citra koordinat tersebut.[7] Pengembangan lebih lanjut berada pada pewarnaan paling dasar, RGB (Red Green Blue, Merah Hijau Biru) yang merupakan pewarnaan secara digital paling dasar yang berusaha untuk menggambarkan warna nyata.[8] Terdapat berbagai jenis pewarnaan yang lainnya, salah satunya HSV.

2.4 HSV Color Plane HSV (Hue, Saturation dan Value), dikenal juga dengan HSB (Hue, Satration dan Brightness) merupakan sebuah model pewarnaan yang lebih dekat dibandingkan dengan RGB mengenai cara manusia mendeskripsikan warna. Dengan melihat warna dan terang-gelapnya.[9] Model pewarnaan HSV membagi ruang warna kedalam 3 buah komponen:  Hue: membagi warna secara murni dalam batas 0o-360o.  Saturation: merupakan gangguan terhadap warna asli, dimana warna dicampur dengan cahaya putih dalam batas 0-100%.  Value: merupakan kecerahan dari warna dalam batas 0-100%.

Gambar 2.3 Kiri: RGB cube color space, Kanan: HSV cone color space. [10]

adalah sebuah gambar dengan warna hitam dan putih saja pada setiap pixel-nya (disebut juga line art).

Gambar 2.4 Kiri:Grayscale 8-bit, Kanan: Grayscale 1-bit (line art).[12] Pada aplikasinya, sebuah gambar grayscale dapat pula didapatkan melalui perhitungan dari gambar RGB. Cara ini disebut dengan Grayscaling.

2.6 Grayscaling Merupakan sebuah perhitungan yang dilakukan pada setiap pixel untuk melakukan perubahan warna dari model pewarnaan RGB menjadi grayscale. Perhitungan yang dilakukan pada tiap pixel adalah: [13] (1) Dengan memanfaatkan rasio diatas akan didapatkan sebuah besaran hitam putih yang merepresentasikan kecerahan dari gambar yang akan menghasilkan pewarnaan grayscale.

2.7 Smoothing Smoothing (melembutkan), disebut juga dengan blurring (mengaburkan), merupakan sebuah proses pencitraan yang sederhana dan sering digunakan. Umum digunakan untuk mengurangi noise atau artifak kamera. Terdapat banyak cara untuk melakukan smoothing, namun yang paling sering digunakan adalah dengan cara Gaussian.[14]

Gambar 2.5 Kiri:Gambar Asli, Kanan:Gambar hasil Gaussian Blur.

HSV dan RGB memiliki sebuah kesamaan, yaitu sama-sama menggunakan 3 channel untuk warna pada setiap pixel. Selain menggunakan 3 channel warna, gambar dapat pula direpresentasikan ke dalam sebuah channel seperti pada citra grayscale.

2.5 Grayscale Gambar grayscale menyimpan nilai untuk tingkatan kecerahan. Sebuah gambar yang memiliki kedalaman warna sebanyak 8-bit[11], akan memiliki 256 nuansa abu-abu, mulai dari 0 (hitam) sampai 255 (putih). Bila sebuah gambar hanya memiliki ketajaman warna sedalam 1-bit, maka gambar yang akan didapatkan

Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS

Gambar 2.6. Fungsi Gaussian 2-dimensi dengan zero mean.

Filter Gaussian merupakan kelas filter smoothing linear dengan bobot yang dipilih sesuai dengan bentuk dari fungsi Gaussian. Filter smoothing Gaussian amat baik untuk menghilangkan noise dari distribusi normal.

2.8 Video Still image merupakan penggambaran dari citra (image) yang berisi data warna pada setiap pixel-nya. Ketika kumpulan dari citra direntetkan berdasarkan waktu pengambilan gambar, akan didapatkan sebuah moving images yang disebut juga dengan video.[15] Video memiliki kecepatan dalam menampilkan gambar per detik (frame per second). Video sendiri dapat merujuk kepada perekaman, pemanipulasian dan penampilan gambar yang bergerak. Untuk aplikasi penampilan video-nya dapat dari hasil rekaman maupun secara real-time.

2.9 Web Camera Merupakan perangkat keras yang harus terhubung terhadap komputer untuk mengoperasikannya. Dikarenakan terhubung kepada komputer secara langsung, data gambar yang didapat dapat langsung digunakan untuk di olah. Serta hampir setiap laptop saat ini memiliki webcam, yang menjadikan perangkat ini mudah di akses.

2.12 OpenCV OpenCV (Open source Computer Vision) merupakan sebuah library dari fungsi programming untuk real-time computer vision. OpenCV dapat dimanfaatkan oleh program-program lainnya (seperti C++, C dan Phyton) untuk melakukan pengambilan, pengolahan serta penampilan data gambar, baik still image, video maupun real-time video.. Open CV bersifat Open Source (dapat digunakan secara bebas) baik untuk akademik maupun untuk komersil, yang dapat berjalan dengan operating system Windows, Linus, Android dan Mac.[19]

2.13 Center of Gravity pada Komputasi Bidang Datar Center of Gravity merupakan sebuah titik dimana beban dapat direpresentasikan pada titik tersebut. Pada sebuah segi empat, center of gravity berada pada perpotongan kedua diagonal, atau dengan melakukan rata-rata antara titik-titik dari setiap sudutnya. Dengan mengikuti persamaan pada segiempat ini, center of gravity pada poligonal dalam bidang x dan y pun dapat dicari dengan cara melakukan perata-rataan dari nilai x dari setiap sudut untuk mendapat center of poligonal dalam bidang x dan rata-rata dari nilai y dari setiap sudut untuk mendapat center of poligonal dalam bidang y. [20]

2.14 Trigonometri Dengan memanfaatkan perhitungan dari trigonometri, bila dua buah garis diketahui koordinat setiap ujung garis, dapat dilakukan perhitungan sudut yang berpotongan antara kedua garis tersebut.

Gambar 2.8. Web Camera[16]

2.10 Marker (Penanda) Untuk mempermudah pembacaan data gambar dari kamera digunakan marker secara fisik. Terdapat berbagai jenis marker yang telah digunakan oleh para peneliti, dengan menggunakan mask berbentuk lingkaran (Koike, 2001; Oka, 2001; Letessier, 2004), dengan marker berbentuk oval (Maggioni, 1998), dengan marker berwarna putih (Kim, 2004).[17]

2.11 Microsoft Visual Studio 2010 Express Edition Merupakan program dari Microsoft© berbasis Microsoft Windows yang dapat mengolah bahasa pemrograman C++, C dan C#. Pemrograman yang dilakukan dapat digunakan untuk berbagai kebutuhan pemrograman, dan merupakan sebuah program dapat digunakan secara gratis. Terdapat pilihan pembuatan berupa console dan windows form.[18]

Gambar 2.9 Microsoft Visual C++ 2010 Express Edition

Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS

Gambar 2.10 2 Garis yang berpotongan[21] Sudut yang berada dibawah kedua garis adalah: Sudut = sudut1+sudut2 |

(

)|

|

(

)|

(2)

2.15 Threshold Dengan melakukan perbandingan suatu nilai terhadap nilai lainnya, akan didapatkan sebuah hasil output (yang umumnya bernilai biner). Ketika berada dalam bidang gambar, thresholding umumnya akan menghasilkan keluaran berupa gambar grayscale 1-bit. [22]

Gambar 2.11 Input gambar dan hasil thresholding yang tidak sempurna karena cahaya[23]

3. PERENCANAAN SISTEM 3.1 Diagram Blok dan Fungsi Sistem Tugas akhir ini memiliki masukkan berupa data gambar lower limb segment, dimana digunakan 3 buah marker, yang merepresentasikan paha, lutut dan betis, dengan keluaran berupa sudut dari marker tersebut. Untuk mendapatkan hasil keluaran berupa sudut, data gambar perlu di kenali dengan baik dalam proses, maka dari gambar yang didapat perlu di modifikasi. Cara kerja keseluruhan sistem: Kamera digital menangkap data gambar, dengan lower limb  segment beserta marker didalamnya  Smoothing untuk menajamkan hasil threshold  Data gambar di ubah dari RGB menjadi HSV  Dilakukan thresholding antara nilai H, S dan V batas atas dengan batas bawah  Pencarian contour dari marker  Pencarian sudut-sudut poligonal dari masing-masing contour  Perhitungan center of gravity dari setiap poligonal Pemilihan titik marker yang digunakan menjadi 3 titik utama  (dengan area terbesar)  Pendefinisikan titik paha, lutut dan betis dan pembentukan Geometri  Perhitungan sudut lutut dan dimasukkan kedalam grafik Web Camera

Image

Smoothing, Gaussian

RGB to HSV

Center of Gravity

Corner Polygon

Contour

Threshold

Penentuan Titik Marker

Pendefinisian Titik Paha, Lutut, dan Betis + Geometri

Gambar 3.3 Web Camera yang digunakan

3.2.2 Komputer 



Pada tugas akhir ini digunakan komputer dengan spesifikasi: CPU : Intel Core 2 Duo E7500 (2.93 GHz) RAM : 2 GB

3.3 Pengambilan Data Gambar Untuk melakukan pengambilan data, digunakan kamera sebagai sensor visual, Microsoft Visual C++ sebagai program utama dan dengan menggunakan openCV sebagai library untuk mengambil, mengolah dan menampilkan data gambar. Data ini direkam didalam sebuah image variable “frame”.

Gambar 3.4 Pengambilan data pada kaki dengan menggunakan tripod dan kamera.

Sudut Lutut + Grafik

Gambar 3.1 Diagram Blok Perangkat Sistem

Gambar 3.5 Real-time video capture dengan menggunakan WinForm.

3.4 Smoothing Gambar

Gambar 3.2 Real-time video capture dengan menggunakan WinForm.

3.2 Perancangan Perangkat Keras 3.2.1 Kamera Sebagai Sensor Visual Kamera yang dapat digunakan adalah web camera standar dengan spesifikasi minimum: Resolution : 640 x 480 pixels   Frame rate : 29,97 frame per second Penggunaan kamera ini bertujuan untuk memanfaatkan web camera universal yang mana program ini dapat digunakan untuk web camera pada umumnya. Pada pelaksanaannya digunakan web camera Microsoft® LifeCam HD-3000 dengan spesifikasi:  Resolution : 1280 x 720 pixels  Frame rate : 29,97 frame per second

Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS

Ketika data gambar diambil, akan terdapat noise serta perbedaan warna yang mencolok walaupun dalam benda yang sama dengan pixel yang bersebelahan. Maka dari itu digunakan Gaussian Blur, dimana dengan menggunakan Gaussian, persebaran warna akan menjadi semakin merata, sehingga noise warna ketika proses tresholding dilakukan, dapat dikurangi seminimalisir mungkin.

Gambar 3.6 Hasil smoothing Gaussian Blur 11x11.

3.5 Color Plane Conversion RGB  HSV Dengan harapan kemudahan dalam penggunaan HSV, warna yang bernilai RGB diubah menjadi pemodelan warna HSV. Penggunaan model warna HSV akan menyebabkan pemilihan warna yang lebih mudah untuk melakukan thresholding.

3.6 Thresholding pada HSV Dengan memanfaatkan model pewarnaan HSV, pemilihan warna yang menjadi marker akan menjadi lebih mudah, dikarenakan warna seluruhnya direpresentasikan oleh bidang Hue. Bila pada data gambar terdapat warna yang berada didalam range minimum dan maksimum dari masing-masing bidang (Hue, Saturation dan Value), maka pada gambar output akan bernilai 1 (putih) dengan warna lainnya bernilai 0 (hitam).

dimana Titik Center of Polygon merupakan rata-rata dari setiap sudut yang ada. Nilai x Center of Polygon = nilai x rata-rata dari seluruh corner contour tersebut, begitu pula dengan nilai y-nya.

3.10 Pemilihan titik Center of Gravity Dilakukan pemilihan titik Center of Gravity, dimana bila pada satu contour dideteksi lebih dari satu titik, maka dari bagian ini akan menentukan titik mana yang akan menjadi Center of Gravity-nya. Pemilihan dilakukan dengan cara mengurutkan semua titik mulai dari area yang terbesar, menentukan nilai maksimum dan minimum dari setiap contour dan mencari dengan membandingkan, bila Center of Gravity suatu countur berada pada didalam range maksimum mininmum area yang lebih besar, maka titik tersebut akan dihapus. Untuk meningkatkan kehandalah sistem besar dari maksimum dan minimum diperbesar untuk menghilangkan kemungkinan contour terpecah di pinggir contour utama. Bila digunakan marker 2 warna, maka akan memanfaatkan nilai maksimum dan minimum yang berasal dari marker yang berada diluar, serta memanfaatkan center of gravity dari warna yang berada pada bagian dalam.

3.11 Pendefinisian Titik Center of Gravity dari Paha, Lutut dan Betis Dengan memanfaatkan nilai ketinggian (nilai y) dari 3 titik terbesar (yang dianggap sebagai marker), maka titik-titik dapat didefinisikan. Setelah pendefinisian awal didapatkan, dilanjutkan dengan pendefinisian berkelanjutan, dimana titik-titik yang didapatkan pada frame yang baru akan dibandingkan dengan titiktitik pada frame yang lama dan dicari titik terdekatnya sebagai titik pendefinisian berikutnya.

3.12 Perhitungan Sudut Lutut Dengan menggunakan persamaan trogonometri, arctan, akan didapatkan sudut dari dua buah garis. Pada pembuatannya, digunakan dua buah garis yang berhubungan dengan kedua titiknya.

(0, 0)

pixel x Thigh tetha 1

Gambar 3.7 Thresholding warna hijau dengan nilai Hue antara 35-65, Saturation antara 60-175 dan Value 50-255.

tetha

3.7 Contour Dengan mencari bentuk yang memiliki perbedaan pada bidang grayscale (1-bit).

Knee

tetha 2

Shank

3.8 Corner-corner pada Poligonal Setiap Contour Dengan memanfaatkan nilai dari sequence yang terdapat pada pemrograman contour sebelumnya, akan didapatkan nilai yang berisikan pointer-pointer. Seperti garis berwarna biru. Dari setiap corner dapat dimanfaatkan untuk mencari nilai maksimum dan minimum dari setiap contour pada marker, yang akan dimanfaatkan untuk marker 2 warna.

y Gambar 3.22 Dua garis yang membentuk sudut dalam pixel Digunakan rumus:

tetha = tetha1 + tetha2 ( )

(

) (5)

3.9 Dicari Center of Gravity pada setiap Poligonal Dengan mengetahui nilai dari setiap elemen terluar, dapat dicari titik tengahnya dengan menggunakan rumus Center of Polygon: ( [ ]

[ ]

[ ])

( [ ]

[ ]

[ ])

(3) (4)

Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS

4. PENGUJIAN SISTEM DAN ANALISIS 4.1 Pengujian Sudut Satu Marker Dengan menggunakan marker 1 warna pada stik, didapatkan hasil pengukuran yang ditampilkan dalam grafik berikut.

200 180 160 140 120 100 80 60 40 20 0

200 180 160 140 120 100 80 60 40 20 0 1 5 9 131721252933374145495357616569 1 5 9 131721252933374145495357616569 openCV

openCV

Busur

Busur

Gambar 4.1 Grafik percobaan dengan menggunakan marker 1 warna Didapatkan hasil dengan error rata-rata sebesar 2,37% atau dalam derajat, 0,92o. Hasil error yang terjadi dapat dikarenakan oleh adanya ketidak akuratan dalam menentukan titik tengah marker. Time openCV Busur error e % Time openCV Busur error e % 1 5,1 5 0,1 0,02 36 179,3 180 0,7 0 2 8,8 10 1,2 0,12 37 174,7 175 0,3 0 3 13,9 15 1,1 0,07 38 169,2 170 0,8 0 4 18,4 20 1,6 0,08 39 164,6 165 0,4 0 5 23,6 25 1,4 0,06 40 160,1 160 0,1 0 6 28,6 30 1,4 0,05 41 155,4 155 0,4 0 7 32,8 35 2,2 0,06 42 150,6 150 0,6 0 8 38,2 40 1,8 0,04 43 145,5 145 0,5 0 9 43,5 45 1,5 0,03 44 140,4 140 0,4 0 10 48,8 50 1,2 0,02 45 135,1 135 0,1 0 11 54,1 55 0,9 0,02 46 130,7 130 0,7 0,01 12 60 60 0 0 47 125,6 125 0,6 0 13 64 65 1 0,02 48 120,6 120 0,6 0 14 68 70 2 0,03 49 115,4 115 0,4 0 15 73,1 75 1,9 0,03 50 110,5 110 0,5 0 16 79 80 1 0,01 51 105,6 105 0,6 0,01 17 83,4 85 1,6 0,02 52 100,5 100 0,5 0,01 18 89 90 1 0,01 53 95,8 95 0,8 0,01 19 94 95 1 0,01 54 90,7 90 0,7 0,01 20 98,7 100 1,3 0,01 55 85,5 85 0,5 0,01 21 104,1 105 0,9 0,01 56 80,6 80 0,6 0,01 22 109,6 110 0,4 0 57 75,4 75 0,4 0,01 23 113,9 115 1,1 0,01 58 71,1 70 1,1 0,02 24 118,7 120 1,3 0,01 59 65,7 65 0,7 0,01 25 123,7 125 1,3 0,01 60 61,1 60 1,1 0,02 26 129,2 130 0,8 0,01 61 57 55 2 0,04 27 134 135 1 0,01 62 51,7 50 1,7 0,03 28 139,3 140 0,7 0 63 46,8 45 1,8 0,04 29 144,3 145 0,7 0 64 41,9 40 1,9 0,05 30 149,6 150 0,4 0 65 36,4 35 1,4 0,04 31 155,3 155 0,3 0 66 31,4 30 1,4 0,05 32 159,6 160 0,4 0 67 26,2 25 1,2 0,05 33 164,9 165 0,1 0 68 21,6 20 1,6 0,08 34 170,1 170 0,1 0 69 16,5 15 1,5 0,1 35 174,9 175 0,1 0 70 11,6 10 1,6 0,16 36 179,3 180 0,7 0 71 5,6 5 0,6 0,12 37 174,7 175 0,3 0 Error rata-rata 0,92 2,37

Tabel 4.1 Hasil pengukuran dan error marker 1 warna.

4.2 Pengujian Sudut Dua Marker Dengan menggunakan marker 2 warna pada stik, didapatkan hasil pengukuran yang ditampilkan dalam grafik berikut.

Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS

Gambar 4.2 Grafik percobaan dengan menggunakan marker 2 warna Didapatkan hasil dengan error rata-rata sebesar 1,95% atau dalam derajat 0,62o. Terdapat peningkatan akurasi dengan menggunakan marker 2 warna. Dengan menggunakan marker 2 warna, noise warna yang terdapat pada background untuk masing-masing warna dapat dikurangi efek terhadap hasil pengukuran. Time openCV Busur error 1 7,4 5 2,4 2 10,8 10 0,8 3 16,3 15 1,3 4 21 20 1 5 26,1 25 1,1 6 30,5 30 0,5 7 35,6 35 0,6 8 39,8 40 0,2 9 44,5 45 0,5 10 49,5 50 0,5 11 54,8 55 0,2 12 59,9 60 0,1 13 65,1 65 0,1 14 69,8 70 0,2 15 75,1 75 0,1 16 80,2 80 0,2 17 85 85 0 18 90,5 90 0,5 19 95,2 95 0,2 20 101 100 1 21 105,3 105 0,3 22 110,6 110 0,6 23 116,3 115 1,3 24 120,2 120 0,2 25 125,3 125 0,3 26 130,3 130 0,3 27 135,5 135 0,5 28 140,9 140 0,9 29 145,7 145 0,7 30 150 150 0 31 154,4 155 0,6 32 160,1 160 0,1 33 164,7 165 0,3 34 169,7 170 0,3 35 174,1 175 0,9 36 179,5 180 0,5 37 175,2 175 0,2

e% 0,48 0,08 0,09 0,05 0,04 0,02 0,02 0,01 0,01 0,01 0 0 0 0 0 0 0 0,01 0 0,01 0 0,01 0,01 0 0 0 0 0,01 0 0 0 0 0 0 0,01 0 0

Time openCV Busur 36 179,5 180 37 175,2 175 38 169,3 170 39 164,7 165 40 160,2 160 41 154,4 155 42 149,4 150 43 144,55 145 44 139,5 140 45 134,2 135 46 129,1 130 47 125 125 48 119,4 120 49 114,7 115 50 110,3 110 51 105,6 105 52 100 100 53 95,8 95 54 91,7 90 55 86,4 85 56 81,7 80 57 75,8 75 58 72,4 70 59 67,8 65 60 58,6 60 61 54,1 55 62 49,7 50 63 44,4 45 64 39,6 40 65 34,8 35 66 29,6 30 67 24,7 25 68 19,6 20 69 14,4 15 70 9,8 10 71 4,44 5 Error rata-rata

error 0,5 0,2 0,7 0,3 0,2 0,6 0,6 0,45 0,5 0,8 0,9 0 0,6 0,3 0,3 0,6 0 0,8 1,7 1,4 1,7 0,8 2,4 2,8 1,4 0,9 0,3 0,6 0,4 0,2 0,4 0,3 0,4 0,6 0,2 0,56 0,62

Tabel 4.2 Hasil pengukuran dan error marker 2 warna.

e% 0 0 0 0 0 0 0 0 0 0,01 0,01 0 0 0 0 0,01 0 0,01 0,02 0,02 0,02 0,01 0,03 0,04 0,02 0,02 0,01 0,01 0,01 0,01 0,01 0,01 0,02 0,04 0,02 0,11 1,95

[6]

[7] [8] [9] [10] [11] Gambar 4.3 Grafik percobaan dengan menggunakan marker 2 warna dan dapat digunakan untuk pengujian

5. PENUTUP

[12]

Setelah dilakukan rangkaian kegiatan perancangan sistem dan pengujian, penulis memperoleh kesimpulan dan memberikan beberapa saran sebagai berikut

[13]

5.1 Kesimpulan Kesimpulan yang diperoleh dalam Tugas Akhir ini adalah: 1. Hasil yang didapat dengan menggunakan program ini bila dibandingkan dengan metode pengukuran menggunakan busur secara manual pada marker 1 warna didapatkan hasil sebesar 2,37%. Sedangkan didapatkan error sebesar 1,95% bila digunakan marker 2 warna. 2. Pada proses thresholding, pengolahan machine vision sangat dipengaruhi oleh cahaya. 3. Kualitas pemilihan marker yang dideteksi dapat ditingkatkan dengan menggunakan metode pemilihan center of gravity. 4. Semakin banyak warna marker yang diambil, semakin akurat pula hasil pengukuran yang didapat.

[14] [15] [16]

[17] [18]

[19] [20]

5.2 Saran Beberapa saran yang dapat penulis berikan untuk pengembangan Tugas Akhir adalah sebagai berikut :  Melakukan pendeteksian marker warna dengan mengklik secara langsung pada tampilan.  Penggunaan 2 marker yang mendeteksi bentuk oval pada bagian kaki.  Melakukan pendeteksian sudut kaki tanpa menggunakan marker.

DAFTAR PUSTAKA [1]

[2]

[3]

[4] [5]

Bill, S, “Functional Anatomy of the Lower Limb”, , Agustus, 2011. Gray, H., “Anatomy of the human body”, , September, 2011. Jeffrey, A. H., “Determination of Patient-Specific Functional Axes Through Two-Level Optimization”, University of Florida, Florida, Ch. 3, 2003. Norris, M. dan Siegfried, R. D., “Anatomy and Physiology For Dummies, 2nd Edition”, Wiley, Hoboken, 2011. Pusat Bahasa, “Kamus Besar Bahasa Indonesia”, Balai Pustaka, 2008.

Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS

[21]

Bangun, M. B., “Analisis Kinerja Metode Canny Dalam Mendeteksi Tepi Karies Gigi”, , Universitas Sumatera Utara, Sumatera Utara, Ch. 2, 2011. Gonzalez, C. R. dan Woods, E. R., “Digital Image Processing Second Edition”, Prentice Hall, New Jersey, Ch. 1, 2002. Jahne, B., “Digital Image Processing 6th revised and extended edition”, Springer, Berlin, Ch. 6, 2005. Cattin, P., “ Digital Image Fundamentals-Biomedical Image Analysis”, MIAC, University of Basel, March 2010. Microsoft, “Color”, , Januari, 2012. GrayscaleWide Format Scanner Technical Terms, “1-Bit, 8Bit Grayscale, 16-Bit”, , Colortrac, 2012. Bear, H. J., “The Many Faces of Black & White”, , Januari, 2012. Open Willow, “Miscellaneous Image Transformations”, , January, 2012. Jain, R., Katsuri, R. dan Schunck. G. B., “Machine Vision”, McGraw-Hill, Inc., New York, Ch. 4, 1995. Webopedia, “Video”, , Januari 2012 How stuff works. “Web Camera” , August, 2011. Mahtarami, A., “Tracking Gerak Tangan Berbasis Pyramidal Lucas-Kanade” Paper Tugas Akhir halaman 2, 2010. Microsoft. “Visual Studio 2010 Express” , August, 2011. OpenCV Wiki. “Open CV” , August, 2011. Miszalok V., “2D-Vector Graphics”, , Januari, 2012. Wolfram, “Trigonometry”, , Januari 2012.

BIODATA PENULIS Darius dilahirkan di Jakarta 15 Desember 1988. Anak ketiga dari tiga bersaudara dari pasangan Lauw Lim Seng Hong dan Lianawati Setiadi. Penulis menyelesaikan pendidikan dasar di SDK Notre Dame, Jakarta dilanjutkan dengan pendidikan menengah di SLTPK Notre Dame, Jakarta dan SMAK Notre Dame, Jakarta. Pada tahun 2007, penulis memulai pendidikan di jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember (ITS) Surabaya. Selama kuliah penulis aktif membantu penyelenggaran kegiatan dan aktif sebagai asisten laboratorium Elektronika Dasar dan menjadi koordinator praktikum Elektronika pada semester ganjil 2010-2012.