Jurusan Teknik Elektro Fakultas Teknolog (1)

Jurusan Teknik Elektro
Fakultas Teknologi Industri
TE091399 TUGAS AKHIR – 4 SKS
Nama Mahasiswa
Nomor Pokok
Bidang Studi
Tugas Diberikan
Dosen Pembimbing
Judul Tugas Akhir

: Handi Rahmannuri
: 2211106037
: Elektronika
: Semester Genap 2012/2013
: 1. Ronny Mardiyanto, ST, MT, Ph.D
2. Dr. Ir. Djoko Purwanto, M.Eng.
: Rancang Bangun Navigasi Robot Pengangkut Sampah Berbasiskan
Garis Lantai

Uraian Tugas Akhir
Laporan ini menjelaskan bagaimana cara membangun sebuah navigasi secara otomatis

dari robot pengangkut sampah. Cara kerja robot adalah, pertama robot belajar untuk mengenali
kondisi lingkungan melalui tracking area yang dilintasi robot secara manual menuju titik dimana
tempat sampah berada dan pada waktu yang bersamaan mengambil data berupa jumlah
perpotongan garis vertikal dan horisontal dari ubin, metode ini dinilai paling mudah untuk proses
mapping robot. Selanjutnya data hasil pembelajaran digunakan untuk menentukan arah
pergerakan robot. Sensor yang digunakan untuk membaca lingkungan sekitar adalah web cam,
jadi semua proses record data menggunakan metode pengolahan citra. Salah satu metode
pengolahan citra yang ditekankan adalah template matching, jadi dengan meng-capture lantai
secara keseluruhan kemudian meng-crop perpotongan garis yang nantinya akan dijadikan
sebagai template referensi, kemudian pada saat kamera dijalankan maka secara otomatis akan
mendeteksi jumlah perpotongan garis.
Kata kunci : Navigasi, Pengolahan Citra, Template Matching, Web cam, Vertikal,
Horisontal ,Mapping dan Ubin.
Dosen Pembimbing I,

Dosen Pembimbing II,

Roni Mardiyanto, ST, MT, Ph.D
NIP : 198101182003121003

Dr. Ir. Djoko Purwanto, M.Eng.
NIP : 196512111990021002

Mengetahui,
Jurusan Teknik Elektro ITS
Ketua,

Menyetujui,
Bidang Studi Teknik Elektronika
Koordinator,

Dr. Tri Arief Sardjono, ST, MT.
NIP : 197002121995121001

Ir. Tasripan, MT.
NIP : 196204181990031004

JUDUL TUGAS AKHIR
Rancang Bangun Navigasi Robot Berbasiskan Garis Lantai
A. RUANG LINGKUP

 Navigasi Robot.
 Modul Web Cam.
 Algoritma Pendeteksian Cross Line.

B. LATAR BELAKANG
Perkembangan dunia robotika saat ini sangat pesat. Robot dalam fungsinya
digunakan untuk membantu pekerjaan manusia dalam banyak hal. Misal di dunia industri
robot sudah menjadi bagian utama dalam proses industri tersebut bahkan peranan robot
sudah meluas tidak hanya didunia industri saja. Salah satu usaha pengembangan di hal
robotika salah satunya adalah membuat navigasi robot pengangkut sampah berbasiskan
garis lantai, jadi robot akan dapat bergerak menuju target yang diinginkan tanpa dikontrol
oleh manusia, misal digunakan untuk memindahkan atau mengangkut suatu barang
didalam industri, sehingga apabila ini diterapkan dapat menambah efisiensi dan efektifitas
kerja karyawan. Dalam aplikasi ini proses mapping menggunakan sensor web cam.
Selanjutnya data yang diperoleh akan diproses menggunakan metode image processing.
C. RUMUSAN MASALAH
Rumusan masalah dalam tugas akhir ini adalah:
1. Bagaimana cara robot mengenali cross line (perpotongan garis lantai)?
2. Bagaimana cara mengestimasi jarak objek berdasarkan cross line?
3. Bagaimana cara membuat peta (mapping) dari data hasil tracking?

D. BATASAN MASALAH
Batasan masalah pada tugas akhir ini adalah:
 Algoritma pendekatan croos line (perpotongan garis lantai).
E. TUJUAN
Penelitian pada tugas akhir ini bertujuan sebagai berikut:
Mendesain Navigasi Robot Pengangkut Sampah Berbasiskan Garis Lantai agar robot
bisa menavigasi diri sendiri secara otomatis dan dapat bergerak menuju target posisi yang
diinginkan.

F.

SISTEM SECARA UMUM dan TINJUAN PUSTAKA
 Sistem Secara Umum

Saat pertama kali robot dijalankan robot akan melakukan pembacaan lingkungan
secara manual dalam arti robot dijalankan dari titik A menuju titik B secara manual untuk
mengambil data. Web cam berfungsi untuk mengambil data gambar dan mengolahanya
dengan metode edge detection untuk mendeteksi garis-garis horizontal dan vertikal dari
susunan lantai kemudian web cam akan melakukan metode template matching untuk
membaca dan menghitung jumlah perpotongan antara garis-garis horisontal dan vertikal

dari ubin sesuai dengan template yang telah dimasukkan database. Semua data yang
didapat dari web cam nantinya akan digunakan kembali untuk proses navigasi secara
otomatis artinya setelah robot berjalan dengan mode manual untuk pertama kali, robot
dapat kembali ke tempat semula secara otomatis dengan menggukan data dari web cam
melalui penghitungan jumlah perpotongan antara garis – garis horizontal dan vertikal
serta proses edge detection dari web cam. Mikrokontroller digunakan untuk interface dari
computer ke driverkomputer melalui komunikasi serial RS232. Driver motor untuk
menggerakan motor maju-mundur, kanan-kiri sesuai printah yang dikirim oleh computer.

 Deteksi Tepi
Deteksi tepi (Edge Detection) pada suatu citra adalah suatu proses yang menghasilkan
tepi-tepi dari obyek-obyek citra, tujuannya adalah :
• Untuk menandai bagian yang menjadi detail citra
• Untuk memperbaiki detail dari citra yang kabur, yang terjadi karena error atau
adanya efek dari proses akuisisi citra
Suatu titik (x,y) dikatakan sebagai tepi (edge) dari suatu citra bila titik tersebut
mempunyai perbedaan yang tinggi dengan tetangganya. Gambar 1 berikut ini menggambarkan bagaimana tepi suatu gambar.

Gambar 1. Proses Deteksi Tepi Citra

Hasil deteksi dari beberapa citra menggunakan model differensial di atas:

Gambar 2. Hasil beberapa Deteksi Tepi
Pada gambar 2. terlihat bahwa tepi suatu gambar terletak pada titik-titik yang
memiliki perbedaan tinggi. Berdasarkan prinsip-prinsip filter pada citra maka tepi suatu
gambar dapat diperoleh menggunakan High Pass Filter (HPF), yang mempunyai
karakteristik:

Contoh:
Diketahui fungsi citra f(x,y) sebagai berikut:

Dengan menggunakan filter : H (x,y) = [-1 1]
Maka Hasil filter adalah :

Bila digambarkan maka proses filter di atas mempunyai masukan dan keluaran sebagai
berikut:

Catatan:
Untuk mencoba perhitungan di atas dapat dilakukan dengan cara manual menggunakan
perhitungan konvolusi yang telah dibahas pada bab 5, atau dengan memanfaatkan

program konvolusi.
Macam-macam metode untuk proses deteksi tepi ini, antara lain:
1. Metode Robert
2. Metode Prewitt
3. Metode Sobel
Metode yang banyak digunakan untuk proses deteksi tepi adalah metode Robert, Prewitt
dan Sobel, Gonzalez[1].

Metode Robert
Metode Robert adalah nama lain dari teknik differensial yang dikembangkan di atas,
yaitu differensial pada arah horisontal dan differensial pada arah vertikal, dengan
ditambahkan proses konversi biner setelah dilakukan differensial. Teknik konversi biner yang
disarankan adalah konversi biner dengan meratakan distribusi warna hitam dan putih [5],
seperti telah dibahas pada bab 3. Metode Robert ini juga disamakan dengan teknik DPCM
(Differential Pulse Code Modulation)
Kernel filter yang digunakan dalam metode Robert ini adalah:

Metode Prewitt

Metode Prewitt merupakan pengembangan metode robert dengan menggunakan filter

HPF yang diberi satu angka nol penyangga. Metode ini mengambil prinsip dari fungsi
laplacian yang dikenal sebagai fungsi untuk membangkitkan HPF.
Kernel filter yang digunakan dalam metode Prewitt ini adalah:

Metode Sobel
Metode Sobel merupakan pengembangan metode robert dengan menggunakan filter
HPF yang diberi satu angka nol penyangga. Metode ini mengambil prinsip dari fungsi
laplacian dan gaussian yang dikenal sebagai fungsi untuk membangkitkan HPF. Kelebihan
dari metode sobel ini adalah kemampuan untuk mengurangi noise sebelum melakukan
perhitungan deteksi tepi.
Kernel filter yang digunakan dalam metode Sobel ini adalah:

 Template Matching
Template matching merupakan sebuah teknik dalam pengolahan citra digital
untuk menemukan bagian-bagian kecil dari gambar yang cocok dengan template gambar.
Template matching merupakan salah satu ide yang digunakan untuk menjelaskan
bagaimana otak kita mengenali kembali bentuk-bentuk atau pola-pola. Template dalam
konteks rekognisi pola menunjuk pada konstruk internal yang jika cocok (match ) dengan
stimulus penginderaan mengantar pada rekognisi suatu objek. Atau pengenalan pola
terjadi jika terjadi kesesuaian antara stimulus indera dengan bentuk mental internal.

Gagasan ini mendukung bahwa sejumlah besar template telah tercipta melalui
pengalaman hidup kita. Tiap-tiap template berhubungan dengan suatu makna tertentu.
Contoh identifikasi geometri :
Energi cahaya yang terpancar dari suatu bentuk mengena pada retina mata dan
diubah menjadi energi neural yang kemudian dikirim ke otak. Selanjutnya terjadi
pencarian di antara templatetemplate yang ada. Jika sebuah template ditemukan sesuai
(match ) dengan pola tadi, maka subjek dapat mengenal bentuk tersebut. Setelah
kecocokan antara objek dan template terjadi, interpretasi pada objek dapat terjadi.
Teori Template matching memiliki masing-masing keunggulan dan kelemahan,
yaitu :

Keunggulan:
(1) Jelas bahwa untuk mengenal bentuk, huruf atau bentuk-bentuk visual lainnya
diperlukankontakdenganbentukinternal.
(2) Template matching adalah prosedur pengenalan pola yang sederhana yang didasarkan
pada ketepatan konfigurasi informasi penginderaan dengan “konfigurasi” pada otak.
(Contohnya:barcode)
Kelemahan
:
Jika perbandingan eksternal objek dgn internal objek 1:1, maka objek yang berbeda

sedikit saja dengan template tidak akan dikenali. Oleh karena itu, jutaan template yang
spesifik perlu dibuat agar cocok dengan berbagai bentuk geometri yang kita lihat dan
kenal. Jika memang penyimpanan memori di otak seperti ini, otak tentu seharusnya
sangat kewalahan dan pencarian informasi akan memakan waktu, padahal kenyataanya
tidak.
Template Matching dapat dibagi antara dua pendekatan, yaitu : pendekatan berbasis
fitur dan pendekatan berbasis template. Pendekatan berbasis fitur menggunakan fitur
pencarian dan template gambar seperti tepi atau sudut, sebagai pembanding pengukuran
matrik untuk menemukan lokasi template matching yang terbagus di sumber gambar.
Pendekatan Berbasis Fitur
Sebuah pendekatan berbasis fitur dapat dianggap; pendekatan dapat membuktikan
lebih berguna, jika template gambar memiliki fitur yang kuat jika pencocokan di
pencarian gambar bisa diubah dengan cara tertentu. Karena pendekatan ini tidak
mempertimbangkan keseluruhan dari template gambar, komputasi dapat lebih efisien
ketika bekerja dengan sumber gambar beresolusi lebih besar, sebagai pendekatan
alternatif, berbasis template, mungkin memerlukan pencarian titik – titik yang berpotensi
untuk dapat menentukan dimana lokasi pencocokan yang terbaik dan matching.
Pendekatan Berbasis Template
Untuk template tanpa fitur yang kuat, atau ketika sebagian besar template gambar
merupakan gambar yang cocok, sebuah pendekatan berbasis template mungkin efektif.

Seperti disebutkan di atas, karena berbasis template, template matching berpotensi
memerlukan sampling dari sejumlah besar poin, untuk mengurangi jumlah sampling poin
dengan mengurangi resolusi pencarian dan template gambar oleh faktor yang sama dan
melakukan operasi pada perampingan gambar yang dihasilkan (multiresolusi, atau
piramida, pengolahan citra), menyediakan pencarian titik data dalam pencarian gambar
sehingga template tidak harus mempunyai pencarian titik data, atau kombinasi keduanya.
Motion dan Oklusi
Dalam kasus di mana template tidak dapat memberikan pencocokan langsung,
mungkin lebih cocok untuk menerapkan penggunaan eigenspaces – template objek yang
lebih detail yang sesuai dengan sejumlah kondisi yang berbeda, seperti berbagai
perspektif, iluminasi, warna kontras, atau objek yang cocok diterima "pose". Misalnya,
jika pengguna mencari seraut wajah, eigenspaces dapat terdiri dari gambar (template)
wajah dalam posisi yang berbeda ke kamera, dalam kondisi pencahayaan atau ekspresi

berbeda.
Hal ini juga memungkinkan gambar yang cocok untuk menjadi dikaburkan, atau oklusi
oleh obyek, dalam kasus ini, memungkinkan untuk menyediakan banyak template untuk
menutupi kemungkinan setiap oklusi. Dalam kasus di mana objek lunak atau poseable,
motion juga menjadi masalah, dan masalah yang melibatkan motion dan oklusi menjadi
ambigu. Dalam kasus ini, salah satu solusi yang mungkin adalah membagi template
gambar ke dalam beberapa sub-foto dan melakukan pencocokan pada setiap subdivisi.
Pencocokan Berbasis Template dan Konvolusi
Sebuah metode dasar template matching menggunakan konvolusi bayangan
(template), disesuaikan dengan fitur tertentu dari template matching, yang ingin kita
deteksi. Teknik ini dapat dengan mudah dilakukan pada gambar abu-abu atau tepi
gambar. Hasil konvolusi akan di tempat tertinggi di mana struktur gambar sesuai dengan
struktur bayangan, di mana nilai-nilai gambar besar dapat dikalikan dengan nilai-nilai
bayanganbesar.
Metode ini biasanya diimplementasi dengan terlebih dahulu memilih sebuah bagian dari
pencarian gambar untuk digunakan sebagai template: Kita akan memanggil pencarian
gambar S (x, y), dimana (x, y) mewakili koordinat setiap pixel dalam pencarian gambar.
Kita akan memanggil template T (x t, y t,), dimana (x t, t y) merupakan koordinat dari
setiap pixel dalam template. Kemudian kita hanya memindahkan pusat (atau asal) dari
template T (x t, x t,) atas setiap titik (x, y) dalam pencarian gambar dan menghitung
jumlah produk antara koefisien dalam S (x, y) dan T (x t, y t,) atas seluruh wilayah dari
template. Karena semua kemungkinan posisi dari template yang berkenaan dengan
pencarian gambar dianggap posisi terbaik. Metode ini kadang-kadang disebut sebagai
'Linear Spasial Filtering' dan template yang disebut juga sebagai masker penyaring.
Mempercepat Proses
Di masa lalu, tipe spasial filtering biasanya hanya digunakan dalam solusi
hardware khusus karena kompleksitas komputasi operasi, namun kita dapat mengurangi
kompleksitas ini dengan penyaringan dalam domain frekuensi dari gambar itu, disebut
sebagai ' frekuensi domain filtering', hal ini dilakukan melalui penggunaan teorema
konvolusi.
Cara lain untuk mempercepat proses pencocokan adalah melalui penggunaan dari suatu
gambar piramida. Ini adalah serangkaian gambar, pada skala yang berbeda, yang
terbentuk dengan berulang kali menyaring dan subsampling gambar asli agar
menghasilkan gambar resolusi berkurang berurutan. Gambar resolusi lebih rendah dapat
dicari untuk template (dengan mengurangi resolusi yang sama), untuk menghasilkan
posisi semula yang memungkinkan untuk mencari pada skala yang lebih besar. Foto yang
lebih besar kemudian dapat dicari dalam jendela kecil di sekitar posisi mulai menemukan
lokasi template terbaik. Metode lain untuk mengatasinya yaitu terjemahan, skala, dan
rotasigambar.
Implementasi
Dalam implementasi sederhana ini, diasumsikan bahwa metode yang dijelaskan

di atas diterapkan pada gambar abu-abu: karena abu-abu digunakan sebagai intensitas
piksel.
G. METODELOGI
Metodelogi yang digunakan dalam rancang bangun Navigasi Robot Pengangkut Sampah
Berbasiskan Garis Lantai adalah sebagai berikut:
(a) Referensi Data dan Perancangan Sistem
Pada tahap ini dilakukan pencarian data dan referensi sebagai penunjang dalam Rancang
Bangun Navigasi Robot Pengangkut Sampah Berbasiskan Garis Lantai. Sistem dirancang
berdasarkan spesifikasi yang dibutuhkan untuk bisa
Startmen-tracking lingkungan sekitar.
(b) Perancangan Perangkat
Perangkat pendukung seperti komunikasi serial, mikrokontroller, serta mekanik robot
diperlukan pada tahap ini agar robot dapat
melakukan tracking secara otomatis. Perancangan
Referensi Data dan
perangkat disesuaikan pada datasheet Perancangan
yang telah
didapat dari referensi data. Strategi
Sistem
perancangan juga didukung oleh hasil compile dari software Visual C++.
(c) Perakitan dan Pengukuran Perangkat
Perancangan Perangkat
Setelah sistem pengolahan citra dibuat, selanjutnya akan dilakukan perakitan perangkat.
Setelah perangkat berhasil dibuat, akan diadakan pengukuran kinerja masing-masing bagian
(sub-sistem) dari perangkat-perangkat tersebut sebelum dilakukan integrasi.
Perakitan dan Pengukuran
Perangkat

(d) Integrasi dan Pengujian Sistem
Pada tahap ini, hasil dari pengolahan citra akan diintegrasikan dengan mekanik robot
melalui komunikasi serial. Setelah diintegrasi akan dilakukan pengujian perangkat untuk
Integrasi dan Pengujian Sistem
mengetahui kinerja yang telah dikembangkan.
(e) Percobaan dan Analisa Kinerja Perangkat
Jika sistem dan perangkat telah berhasil diintegrasi, selanjutnya akan dilakukan percobaan
yaitu menjalankan robot secara manual terlebih dahulu untuk mendapatkan data dari lingkungan
sekitar yang dalam hal ini adalah menghitungSesuai
perpotongan garis vertikal dan horizontal dari
dengan
susunan ubin, kemudian akan dianalisa apakah robot mampu secara otomatis menuju home
kriteria
position (titik awal keberangkata robot).
perancangan
?

Integrasi dan Pengujian Sistem

Percobaan dan Analisa Kinerja
Perangkat

End

Gambar 3. Diagram Alur Metodelogi Rancang Bangun Navigasi Robot Berbasiskan Garis
Lantai.
H. JADWAL KEGIATAN
Untuk menyelesaikan penelitian ini sebagai Tugas Akhir, berikut jadwal kegiatan yang akan
dilakukan.
KEGIATAN
Referensi Data

1 2 3 4 5 6 7

MINGGU
8 9 10 11

12 13

14

15

16

dan Perancangan
Sistem
Perancangan
Perangkat
Perakitan dan
Pengukuran
Perangkat
Integrasi dan
Pengujian Sistem
Percobaan dan
Analisa Kerja
Perangkat
Penulisan Buku
Tugas Akhir

I.

J.

RELEVANSI
Hasil yang diperoleh dari tugas akhir ini diharapkan dapat memberi manfaat berikut:
 Memberikan rekomendasi mengenai Rancang Bangun Navigasi Robot Pengangkut
Sampah Berbasiskan Garis Lantai.
 Merealisasikan Navigasi Robot Pengangkut Sampah Berbasiskan Garis Lantai untuk
dapat diaplikasikan ke hal yang bermanfaat yang dapat membantu pekerjaan manusi
misal dibidang industry,kedokteran,militer, dll.

REFERENSI
[1]. http://abikindo.blogspot.com/2010/06/template-matching.html
[2]. http://lecturer.eepis-its.edu/~riyanto/citra-bab8.pdf
[3]. http://digilib.its.ac.id/ITS-NonDegree-3100011044182/16145
[4].http://digilib.polsri.ac.id/gdl.php?mod=browse&op=read&id=ssptpolsri-gdl-vivinovita5464&PHPSESSID=rjwrzewpy

Fish Bone