SKRIPSI PURWARUPA PENGATURAN LAMPU OTOMA

SKRIPSI PURWARUPA PENGATURAN LAMPU OTOMATIS DENGAN PENGOLAHAN CITRA BERBASIS OPENCV

  THE PROTOTYPE OF CONTROLLING AUTOMATIC BEAM WITH IMAGE

PROCESSING BASED ON OPENCV FAUZIAZZUHRY RAHADIAN 08265919PA11928 PROGRAM STUDI ELEKTRONIKA DAN INSTRUMENTASI JURUSAN ILMU KOMPUTER DAN ELEKTRONIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN UNIVERSITAS GADJAH MADA YOGYAKARTA 2013

SKRIPSI PURWARUPA PENGATURAN LAMPU OTOMATIS DENGAN PENGOLAHAN CITRA BERBASIS OPENCV

  Diajukan untuk memenuhi salah satu syarat memperoleh derajat Sarjana Sains Program Studi Elektronika dan Instrumentasi

FAUZIAZZUHRY RAHADIAN 08265919PA11928 PROGRAM STUDI ELEKTRONIKA DAN INSTRUMENTASI JURUSAN ILMU KOMPUTER DAN ELEKTRONIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN UNIVERSITAS GADJAH MADA YOGYAKARTA 2012

HALAMAN PENGESAHAN SKRIPSI PURWARUPA PENGATURAN LAMPU OTOMATIS DENGAN PENGOLAHAN CITRA BERBASIS OPENCV

  Telah dipersiapkan dan disusun oleh

FAZIAZZUHRY RAHADIAN 08265919PA11928

  Telah dipertahankan di depan tim penguji pada tanggal 1 Maret 2013

  Susunan Timq q Penguji

  Pembimbing Penguji I

  Drs. Agus Harjoko, M.Sc, Ph.D 19600804 1987 03 1 003

  Penguji II

  Penguji III

  Dr. Ahmad Ashari, M.Kom.

  Drs. Tri Kuntoro, M.Sc.

PERNYATAAN

  Dengan ini saya menyatakan bahwa laporan skripsi ini tidak terdapat karya yang pernah diajukan untuk memperoleh gelar kesarjanaan di suatu Perguruan Tinggi, dan

  sepanjang pengetahuan saya juga tidak terdapat karya atau pendapat yang pernah ditulis atau diterbitkan oleh orang lain, kecuali secara tertulis diacu dalam naskah ini dan disebutkan dalam daftar pustaka.

  Yogyakarta, Maret 2013

  Fauziazzuhry Rahadian

HALAMAN MOTTO

  “Don’t code today, what you can’t share tommorow”- Anonymous (Open Source

  Community)

  “Sesungguhnya Allah mencintai orang mukmin yang kuat” –Rassullullah SAW

  (Hadist Qudsi)

KATA PENGANTAR

  Puji Syukur kita panjatkan kepada Allah SWT atas petunjuk dan kasih sayang- Nya juga telah melimpahkan semua rahmat, hidayah, dan karunia-Nya sehingga penulis dapat menyelesaikan skripsi yang berjudul “Purwarupa Pengaturan Lampu Otomatis Dengan Pengolahan Citra Berbasis OpenCV ”. Sholawat serta salam penulis tujukan kepada junjungan umat, Nabi Muhammad SAW yang telah memberikan tauladan dan inspirasi di segala aspek kehidupan. Skripsi ini disusun sebagai salah satu syarat untuk memperoleh gelar Sarjana S1 Program Studi Elektronika dan Instrumentasi, Jurusan Ilmu Komputer dan Elektronika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Gadjah Mada Yogyakarta.

  Dalam pembuatannya, penulis menyadari bahwa terselesaikannya skripsi ini tidak terlepas dari bantuan dan dukungan dari berbagai pihak. Oleh karena itu, dengan segala hormat pada kesempatan ini penulis ingin menyampaikan penghargaan dan terima kasih kepada:

  1. Keluarga penulis atas kehilangan waktu dalam menyelesaikan penelitian ini.

  2. Bapak Drs. Agus Harjoko, M.Sc., Ph.D selaku dosen pembimbing skripsi yang telah bersabar dan banyak meluangkan waktu untuk membimbing, memberikan ide dan pemikiran, serta saran juga masukan sehingga penulis dapat menyelesaikan skripsi ini dengan baik.

  3. Dosen-dosen penulis selama mengikuti perkuliahan di program studi elektronika dan instrumentasi ini yang tidak bisa disebutkan namanya satu

  persatu, yang telah memberikan banyak ilmu dan bimbingan.

  4. Adinda Nina Hetty U.K, hamba-Nya yang terindah, selalu setia, sabar dan memotivasi penulis.

  5. Semua teman yang mendukung penulis menyelesaikan penelitian ini.

  6. Semua pihak yang selama ini telah membantu, mendukung dan menyemangati penulis hingga saat ini. Terima kasih, semoga Allah SWT membalas kebaikan Anda semua.

  Yogyakarta, Maret 2013

  Penulis

INTISARI PURWARUPA PENGATURAN LAMPU OTOMATIS DENGAN PENGOLAHAN CITRA BERBASIS OPENCV

  Oleh Fauziazzuhry Rahadian

  08265919PA11928

  Automatic High Beam dan Warning System adalah salah satu pengembangan dari sistem cerdas pada mobil untuk mendukung kenyamanan dan keamanan dalam berkendara. Dalam menerapkan prinsip tersebut, terlebih dahulu harus diketahui berapa jarak objek yakni lampu depan kendaraan atau lampu belakang

  kendaraan, yang ada di depan pengemudi. Sehingga dibutuhkan teknologi Pemrosesan Citra untuk dapat mendeteksi objek dan mendapatkan perkiraan jarak yang baik dalam jangkauan mencapai ratusan meter.

  Maka dikembangkan pengenalan objek dengan memisahkan objek dengan lingkungan melalui rentang warna dalam format HSV, kemudian mengekstraksi tepian objek dengan menggunakan metode Hough Circle untuk mendapat objek terdeteksi pada suatu nilai filter threshold. Objek akan mempunyai titik tengah (centroid) pada koordinat (x,y). Untuk mendapatkan perkiraan jarak dengan metode tersebut dilakukan kalibrasi pada tanah lapang dengan jarak antara 10-90 meter. Dari hasil kalibrasi didapatkan estimasi jarak dapat dilakukan dengan koordinat vertikal centroid, kemudian variasi antara nilai threshold dan exposure.

  Dengan mendapatkan perkiraan jarak, dapat dilakukan pengaturan intensitas cahaya dan posisi lampu jauh atau dekat saat mendeteksi objek lampu depan kendaraan mobil dan motor. Dengan memperkirakan jarak dengan deteksi lampu belakang kendaraan didepan objek, diberikan peringatan sesuai dengan intensitas cahaya pada saat rem atau normal, dan juga perkiraan jaraknya. Bentuk peringatan

  yang diberikan adalah dengan indikasi peringatan di display tampilan. Kata kunci: Automatic High Beam, pengolahan citra, Hough Circle, rentang

  warna, perkiraan jarak.

ABSTRACT THE PROTOTYPE IMAGE PROCESSING OF AUTOMATIC HIGH BEAM AND WARNING IN INTELLEGENT CAR BASED ON OPENCV

  By Fauziazzuhry Rahadian

  08265919PA11928

  Automatic High Beam and Warning System is one of the developments of intelligent systems on the car to support comfort and safety in the driving experience. In applying these principles, it must first be known how many objects within the vehicle headlights or taillights of vehicles, which is in front of the driver. So it takes image processing technology to detect objects and get a good estimate of the distance in the range of hundreds of meters.

  Then developed object recognition by separating an object with the environment through a range of color in HSV format and then extracting object edges by using the Hough Circle to get objects detected at a threshold value filter. Object will have the center (centroid) in the coordinates (x, y). To get an estimate of the distance to the method of calibration is done at the clearing with a distance of between 10-90 meters. From the calibration results obtained distance estimation can be done with the vertical coordinate centroid, then the variation between the threshold value and exposure.

  With an estimated distance, to do the setting of light intensity and light position detecting distant or near objects headlights when cars and motorcycles. By estimating the distance to the vehicle in front of the rear light detection of objects, in a warning to the intensity of light at the time of the brakes or normal, and also estimate the distance. Shape the warning is a warning indication on the display with the display

  Keywords: Automatic High Beam, Image processing, Hough Circle, color range, the approximate distance detection.

BAB I PENDAHULUAN

1.1 Latar Belakang

  Teknologi keamanan dan kenyamanan kendaraan sampai saat ini terus berkembang pesat. Inovasi pada manufaktur mobil pun terus dikembangkan untuk mendukung keamanan dan kenyamanan pengguna kendaraan (Sharma and Dhixit, 2012). Terlebih untuk masalah pengemudian kendaraan secara aman, menjadi faktor yang tidak bisa ditawar lagi dalam teknologi mobil mutakhir.

  Pemrosesan Citra digital adalah ilmu untuk memanipulasi, mengolah ataupun mengenali bagian tertentu pada suatu citra (Gonzales and Woods, 2008). Contohnya adalah suatu citra mempunyai kontras lebih rendah dapat dihasilkan dari sumber citra dengan proses pencahayaan atau penerangan yang rendah atau pengaturan pada saat pengambilan gambar.

  Automatic High BeamLow Beam adalah suatu teknologi dengan memanfaatkan pemrosesan citra dengan metode Object Recognition untuk mendeteksi objek dan dengan bantuan thresholding untuk mendeteksi gelap terang suatu citra, kemudian mengontrol lampu apakah menggunakan lampu dekat atau lampu jauh pada mobil.

  Automatic Warning adalah teknologi untuk memberikan peringatan kepada pengemudi apabila ada objek didepannya pada jarak dekat, dengan cara mendeteksi benda terdekat dengan menggunakan sensor jarakkamera pada objek didepannya.

1.2 Rumusan Masalah

  Dibutuhkan suatu sistem yang mampu mendeteksi objek lampu depan dan lampu belakang kendaraan bermotor (motor da n mobil). Jika mampu mendeteksi, sistem harus dapat memperikrakan jarak objek terdeteksi berdasarkan parameter yang didapat. Sistem didesain supaya dapat memisahkan pencahayaan lingkungan dengan cahaya objek, agar perkiraan jarak yang didapatkan adalah benar. Perkiraan jarak yang didapatkan dari pendeteksian objek, digunakan sebagai Dibutuhkan suatu sistem yang mampu mendeteksi objek lampu depan dan lampu belakang kendaraan bermotor (motor da n mobil). Jika mampu mendeteksi, sistem harus dapat memperikrakan jarak objek terdeteksi berdasarkan parameter yang didapat. Sistem didesain supaya dapat memisahkan pencahayaan lingkungan dengan cahaya objek, agar perkiraan jarak yang didapatkan adalah benar. Perkiraan jarak yang didapatkan dari pendeteksian objek, digunakan sebagai

1.3 Batasan Masalah

  Batasan masalah dalam penelitian ini adalah :

  1. Menganalisis tingkat keberhasilan pemrosesan citra dengan metode

  Hough Circle untuk mendeteksi lampu depan kendaraan dari arah berlawanan, dan lampu belakang kendaraan yang berjalan searah, serta mengurangi error pada pencahayaan disekitarnya.

  2. Input adalah berupa video, kemudian diproses dengan pengolahan citra

  pengenalan pola warna lampu depan dan lampu belakang motor dan mobil.

  3. Diasumsikan kamera tegak lurus dengan objek. Sehingga parameter

  tinggi vertikal pada saat datar dapat digunakan untuk memisahkan lampu depan dan belakang kendaraan dengan lampu lingkungan, serta perkiraan jarak.

  4. Mengenai hal teknis seperti titik blind spot (daerah yang tidak terpantau

  kamera) dan kecepatan respon pengaturan cahaya lampu, tidak termasuk objek yang diteliti. Lingkungan pengujian adalah kondisi jalan di Indonesia, khususnya Kabupaten Sleman pada saat hujan dan cerah.

  5. Lampu kanan dan lampu kiri dikendalikan otomatis secara indepentdent.

  Batas wilayah lampu kanan dan lampu kiri, serta batas wilayah pemrosesan (Cropping ROI) dilakukan berdasarkan hasil kalibrasi.

  6. Gerakan kendali lampu yang diteliti adalah pengaturan intensitas cahaya

  dengan posisi servo naik dan turun, serta kendali lampu jauh dan dekat. Gerakan servo ke kanan dan ke kiri tidak termasuk objek penelitian.

1.4 Tujuan dan Manfaat

  Tujuan yang ingin dicapai dalam penelitian ini adalah meneliti pemrosesan citra dengan metode Hough Circle, pada sistem Automatic High Beam Low Beam dan Automatic Warning. Sistem ini bekerja dengan mendeteksi lampu depan kendaraan yang berwarna putih kekuningan kendaraan di dari arah yang berlawanan, kemudian mengatur lampu high beam low beam, serta mengatur peringatan saat kendaraan didepannya melakukan pengereman, berdasarkan cahaya merah lampu belakang kendaraan.

  Manfaat dari penelitian ini adalah mengetahui tingkat keberhasilan pemrosesan citra pada mobil cerdas, dengan menggunakan prototype sederhana. Untuk dapat mencari tingkat akurasi terbaik, maka divariasikan beberapa parameter pada metode Hough Circle, untuk mendapatkan parameter untuk hasil akurasi deteksi objek terbaik untuk memperkirakan jarak objek, dan tingkat error yang rendah.

1.5 Metodologi Penelitian

  Metodologi penelitian yang direncanakan dalam penelitian ini adalah sebagai berikut :

  1. Dirumuskan masalah yang akan diajukan sebagai tema.

  2. Dilakukan kajian dan pembelajaran lebih lanjut mengenai Sistem Purwarupa Pemrosesan Citra Sistem Kontrol Lampu Jauh Otomatis dengan metode sebagai berikut :

  a) Studi literatur, dan konsultasi Dosen Pembimbing untuk mendapatkan

  pengetahuan tentang sistem.

  b) Dibuat rancangan sistem meliputi spesifikasi teknis dan non teknis

  sistem tersebut. Dilakukan rancangan metode pengenalan polanya.

  c) Dilakukan analisa deteksi dengan asumsi jarak di lapangan,. Kemudian

  didapatkan hubungan antara jarak asli dengan perkiraan jarak berdasarkan parameter dari kalibrasi. Kemudian dilakukan implementasi pada jalan sebenarnya, untuk mengetahui tingkat keberhasilan dari berbagai tipe jalan yang diuji saat hujan dan cerah.

BAB II TINJAUAN PUSTAKA

  Studi tentang penerapan teknologi Automatic High Beam Low Beam dan Automatic Warning, telah dilakukan oleh beberapa pakar di bidang Computer Vision dan Image Processing. Hal ini dapat dilihat pada Tabel 2.1.

  Pedersen (2007) dalam journalnya meneliti tentang pendeteksian tepi objek menggunakan Hough Transform Circular. Prinsip dari Hough Circle Transform ini adalah mendeteksi bagian tepi dari suatu objek, yang telah difilter dengan Canny Edge atau Sobel. Kemudian agar dapat mendeteksi tepian tersebut dengan baik maka terlebih dahulu dilakukan SmoothingBlurring, untuk dapat menghilangkan noise di sekitar wilayah pendeteksian.Kemudian baru dilakukan deteksi tepi berbentuk lingkaran. Dengan transformasi Hough Circle didapatkan koordinat titik tengah dan jari-jari wilayah pendeteksian.

  Malley, et.al (2011) dalam jurnalnya meneliti tentang pendeteksian lampu belakang mobil (Rear Light detection). Metode deteksi yang digunakan metode Kalman Filtering, dengan menggunakan setting pengambilan video low exposure. Tujuan dari pendeteksian video dengan low exposure adalah mengurangi noise (error deteksi) pada lingkungan. Sehinga mengurangi efek cahaya putih pada saat pendeteksian lampu belakang kendaraan bermotor. Setelah mendapat video dengan low exposure tersebut, maka nilai HSV yang didapatkan dari konversi HSV menjadi lebih akurat. Untuk klasifikasi, digunakan metode pendeteksian koordinat vertikal blob sejajar yang akan diidentifikasi sebagai blob lampu belakang mobil.

  Alcantarilla, et.al. (2008) dalam jurnalnya meneliti tentang pengontrolan lampu depan secara otomatis. Untuk dapat memperjelas perbedaan pengenalan cahaya lampu yang berasal dari mobil, dari lingkungan, serta dari pantulang sinar trafic sign, digunakan metode pengenalan pola lampu depan kendaraan dengan metode Support Vector Machine. Dengan metode tersebut dapat dideteksi pola lampu mobil di depannya adalah blob yang berpasangan, sehingga cahaya lampu yang tidak berpasangan bukan merupakan objek pendeteksian.

  Alcantarilla, et.al. (2011) dalam jurnalnya meneliti tentang menggunakan Road Vertical Curvature Estimation, yakni menggunakan parameter koordinat vertikal dari blob sebagai tambahan parameter Support Vector Machine. Dengan metode tersebut dapat pemrosesan video dapat membedakan cahaya lampu depan dan lampu belakang mobil, dengan cahaya dari lingkungan lebih jauh lagi. Pada penelitian ini juga lebih baik untuk melakukan perkiraan jarak antara objek terdeteksi dengan titik nol pendeteksian.

  Dari penelitian terdahulu yang diuraikan diatas, didapatkan banyak masukan dalam melakukan metode penelitian. Sepasang blob yang terdeteksi memang menandakan bahwa disitu juga ada mobil. Namun karena penelitian ini tidak dikhususkan untuk jalan kecepatan tinggi (Highway), maka sistem harus mampu mendeteksi motor yang hanya mempunyai satu lampu. Maka digunakan estimasi koordinat vertikal untuk membedakan cahaya lampu mobil dan motor, dengan lampu jalan. Maka dilakukan penelitian dengan mendeteksi pola warna dan koordinat dari lampu belakang mobil dan lampu depan mobil.

  Untuk dapat mendeteksi wilayah pendeteksian dari suatu blob digunakan Transformasi Hough Circles. Pertimbangannya adalah bentuk region blob yang akan dideteksi, baik itu lampu depan kendaraan atau lampu belakang kendaraan, semua berbentuk menyerupai lingkaran. Sehingga didapatkan hasil pendeteksian titik tengah dan jari-jari wilayah pendeteksian. Dengan metode ini juga dimungkinkan untuk mendeteksi lebih dari satu objek lingkaran dari wilayah pendeteksian, sehingga mendukung penelitian ini.

  Untuk melakukan perkiraan jarak, didapatkan masukan dari penelitian yang dilakukan Alcantarilla, et.al (2010). Dengan menggunakan bantuan koordinat vertikal objek terdeteksi. Dengan demikian didapatkan perbedaan intepretasi objek deteksi, dan cahaya lampu dari lingkungan sekitarnya. Estimasi kurva vertikal centroid dapat digunakan sebagai intepretasi jarak objek terdeteksi.

  Tabel 2.1 Studi tentang penerapan Automatic High Beam Low Beam dan Automatic Warning

  No. Nama Pengarang Tahun

  Keterangan

  1 Pedersen

  2007 - Konversi RGB ke HSV

  - Memfilter tepian dengan menggunakan

  Canny Edge atau Sobel. - Dilakukan Smoothing Gauss, untuk

  mengurangi noise pada area pendeteksian warna dengan Hough Circle Transform,

  - Mendeteksi Melakukan perkiraan jarak

  berdasar koordinat titik tengah blob terhadap sumbu vertikal

  2. Alcantarilla, et.al 2008 - Konversi RGB ke HSV

  - Mendeteksi sepasang blob lampu

  depan mobil dengan metode SVM (Support Vector Machine).

  - Melakukan perkiraan jarak berdasar

  koordinat titik tengah blob

  3. Alcantarilla, et.al 2011 - Menambahkan klasifikasi fungsi

  koordinat vertikal pada metode SVM yang digunakan, agar dapat membedakan cahaya lampu jalan dan lampu depan mobil pada jarak jauh.

  4. Malley, et.al

  - Konversi RGB ke HSV - Deteksi blob dengan metode Kalman

  dan Smoothing Gauss - Dideteksi garis sejajar sumbu vertikal

  titik tengah blob untuk mendeteksi sepasang blob yang dimaksud

  - Mendeteksi lampu belakang mobil

  menggunakan bantuan efek Low Explosure pada Kamera.

  5. Rahadian

  - Konversi RGB ke HSV. - Melakukan deteksi tepi Canny Edge,

  dan Smooting Gauss - Deteksi blob dengan metode Hough

  Circle - Melakukan filter berdasarkan ukuran

  jari-jari minimal dan maksimal, serta koordinat sumbu vertikal.

  - Melakukan perkiraan jarak berdasar

  koordinat titik tengah blob terhadap sumbu vertikal.

BAB III LANDASAN TEORI

3.1 Prinsip Intellegent Car System

  Dengan kemajuan teknologi yang semakin cepat maka pengembangan teknologi otomatisasi khususnya pada produk otomotif seperti mobil semakin baik. Khususnya pada mobil menengah keatas sudah banyak dikembangkan teknologi Intelligent Car System.

  Intelligent Car System adalah teknologi yang memungkinkan mobil dapat mengenali situasi dan tanda-tanda yang ada di sekelilingnya untuk kemudian membuat suatu sistem yang dapat membantu pengemudi berkendara secara aman dan nyaman (Siddique, 2009). Termasuk diantaranya adalah dapat mendeteksi perilaku kendaraan disekitarnya.

  Gambar 3.1 Model Intelligent Car (Henry, 2006)

  Pada Gambar 3.1 terlihat contoh dari Intelligent Car System adalah Car Comunication meliputi warning detection yaitu mobil akan mengirimkan peringatan apabila mobil didepannya melakukan pengereman, dan High Lamp Controller yang mengatur lampu jauh dan dekat sesuai dengan tingkat pencahayaan dan adatidaknya kendaraan yang didepannya baik searah mapun berlawanan arah.

  Dengan kemajuan teknologi yang semakin cepat maka pengembangan teknologi otomatisasi khususnya pada produk otomotif seperti mobil semakin baik. Khususnya pada mobil menengah keatas sudah banyak dikembangkan teknologi Intelligent Car System. Intelligent Car System adalah teknologi yang memungkinkan mobil dapat mengenali situasi dan tanda-tanda yang ada di sekelilingnya untuk kemudian membuat suatu sistem yang dapat membantu pengemudi berkendara secara aman dan nyaman (Siddique, 2009). Termasuk diantaranya adalah dapat mendeteksi perilaku kendaraan disekitarnya

  Gambar 3.2 Contoh Sistem kendali pada Intelligent Car (Henry,

  Pada Gambar 3.2 digambarkan suatu contoh arsitektur Intelligent Car System. Kendati menggunakan sensor jarak untuk mendeteksi objek didepannya (pada penilitian digunakan kamera handycam), namun arsitektur diatas sama dengan sistem kendali pada mobil cerdas modern.

  Perilaku yang sering dilanggar oleh pengemudi dalam berkendara di kepadatan Lalu lintas adalah sebagai berikut dijelaskan pada Gambar 3.3.

  Gambar 3.3 Diagram kesalahan yang menyebabkan kecelakaan (Siddique , 2009)

  Gambar 3.3 menunjukkan tentang rata-rata penyebab kecelakaan diantaranya adalah kecepatan tinggi, mengabaikan rambu-rambu lalu lintas, human error (kesalahan manusia) dan kerusakan teknis pada kendaraan (Siddique, 2009). Hal inilah yang melatarbelakangi pembuatan Smart Car Intelligent Car System.

3.1.1 Prinsip Automatic High Beam

  Automatic High Beam adalah suatu teknologi dengan memanfaatkan pemrosesan citra dengan metode Object Recognition untuk mendeteksi object dan dengan bantuan Thresholding untuk mendeteksi gelap terang suatu citra. (Destefani, 2010). Hasil pemrosesan itu kemudian dikirim ke controller beam lamp, sehingga dapat menyesuaikan kondisi saat high beam dan low beam.

  Untuk dapat mengetaui analisis sistem, akan dijelaskan tentang sistem Automatic Beam modern dan prinsip pengolahan pola. Ilustrasi sistem Automatic High Beam ditampilkan pada Gambar 3.4.

  Gambar 3.4 Model Automatic High Beam milik Renault System

  (Destefani, 2010)

  Salah satu penempatan kamera yang benar adalah dibelakang mirror dengan memanfaatkan bantuan dari cahaya lampu mobil. Maka dari itu cahaya yang dihasilkan lampu mobil juga harus dianalisa. Karena pencahayaan lampu Halogen dan lampu HID berbeda. Segmentasi citra antara lampu Halogen dan lampu HID ditunjukkan pada Gambar 3.5.

  Gambar 3.5 Perbedaan Segmentasi Warna Lampu HID dengan

Halogen (Hyundai, 2010)

  Pada Gambar 3.5 dijelaskan bahwa hasil substraksi warna dari lampu jenis HID, dan lampu jenis Halogen berbeda. Oleh karena itu sebaiknya sensor High Beam Controller mampu mendeteksi keduanya sebagai target objek pendeteksian. Pengaturan pencahayaan lampu juga menyesuaikan dengan objek yang ada di depannya.

  Pada Gambar 3.6 dijelaskan simulasi kejadian ketika ada kendaraan yang bergerak dengan arah yang berlawanan, maka intensitas cahaya lampu dari kendaraan tersebut akan dideteksi oleh kamera, kemudian lampu jauh (high beam) akan di ganti ke lampu dekat (low beam). Pada Gambar 3.6 dan Gambar 3.7 terlihat bahwa mobil berjalan di sebelah kanan, hal ini hanyalah suatu ilustrasi sistem karena gambar dari sumber (Hyundai Corp.) menggunakan latar kondisi jalan di luar negeri. Objek yang akan diteliti, diuji dengan kondisi jalan di Indonesia yakni mobil berjalan di sebelah kiri (stir kanan pengemudi).

  Gambar 3.6 Simulasi kontrol lampu jarak jauh otomatis (Hyundai, 2010)

  Pada Gambar 3.7 lebih detail dijelaskan tentang penggambaran proses switching tersebut. Pada Gambar 3.7 (a) terlihat bahwa tidak ada kendaraan melintas dengan arah berlawanan dan pencahayaan di lingkungan sekitar juga kurang, maka controller akan switch ke lampu jarah jauh, sedangkan pada Gambar 3.7 (b) terlihat bahwa saat ada kendaraan melaju dari arah berlawanan terlihat, maka controller akan switch ke lampu jarak dekat.

  a) Lampu High Beam akan aktif

  b) Lampu High Beam akan switch

  saat tidak ada kendaraan yang

  ke Low Beam pada saat

  berjalan dari arah berlawanan.

  terdeteksi objek dengan arah berlawanan dari pengendara

  Gambar 3.7 Cara Kerja Pengendalian Lampu Jarak Jauh dan Dekat

Otomatis (Hyundai, 2010)

3.1.2 Warning system

  Auto Breaking Sytem adalah fitur pada kendaraan untuk mengurangi kecepatan, dan berhenti apabila didepannya ada suatu objek yang dekat. Biasanya sensor yang digunakan adalah ultra sonic dan kamera. (Carmild, 2012). Jika sensor adalah kamera, maka pengujian efektif dilakukan pada malam hari karena intensitas cahaya merah lampu belakang mobil motor sangat kuat.

  Gambar 3.8 Fitur Night Vision Auto Breaking System (Carmild, 2012)

  Sistem Night Vision Automatic Breaking System ini akan dicoba untuk diaplikasikan untuk fitur warning system pada perangkat lunak yang akan dikembangkan. Untuk mengetahui kapan saat harus memperlambat kecepatan, dan kapan harus benar-benar berhenti.

3.2 Metode Pemrosesan Citra dengan Pendeteksian Objek

  Gambar 3.9 Pengolahan sinyal pada Citra Digital (Hu, 2002)

  Pada Gambar 3.9, dapat dilihat bahwa, pengambilan citra secara fisik, dilakukan oleh sensor, yang peka terhadap energi radiasi dari objek. Dari tangkapan tersebut,

  kemudian dikonversi menjadi binner oleh digitizer hardware tambahan yang sanggup mengolahnya menjadi data digital. Dalam penelitian ini, tidak ada perangkat keras tambahan yang digunakan karena penggunaannya masih sederhana. Komputer, dalam pengolahan citra bertindak sebagai pengolah dengan software-software yang kemudian dikonversi menjadi binner oleh digitizer hardware tambahan yang sanggup mengolahnya menjadi data digital. Dalam penelitian ini, tidak ada perangkat keras tambahan yang digunakan karena penggunaannya masih sederhana. Komputer, dalam pengolahan citra bertindak sebagai pengolah dengan software-software yang

  dapat mengatur proses olah citra sesuai tujuan yang diharapkan

  Citra digital direpresentasikan sebagai suatu matriks data atau fungsi f (x,y), yang terdiri dari M baris dan N kolom, ilustrasinya terlihat pada Persamaan (3.1) tentang persaman matriks citra digital. Tiap elemen dari matriks citra digital, yang dinotasikan dengan koordinat pasangan baris dan kolom disebut pixel (picture element), dimana x dan y adalah koordinat spasialnya sedangkan f (x,y) adalah nilai intensitas citra pada koordinat tersebut (Gonzales and Woods, 2008). Persamaan matrik citra digital 2 Dimensi f (x,y) ditunjukkan dalam Persamaan (3.1).

  ( − 1,0) ( − 1,1)

  ( − 1, − 1)

  Ilustrasi citra pada koordinat x, y pada gambar sesungguhnya ditunjukkan oleh Gambar 3.10.

  Gambar 3.10 Koordinat Citra Digital pada titik origin (Gonzales and

  Woods, 2008)

3.2.1 Deteksi Warna RGB dan HSV

  RGB (Red, Green, Blue) adalah citra pada gambar terdiri dari tiga pola citra independen, satu di masing- masing warna primer: merah, hijau dan biru. Komposisi warna tertentu adalah dengan menentukan jumlah dari masing- masing komponen utama. Pada Gambar 3.11 ditunjukkan tentang geometri dari model warna RGB untuk menentukan warna dengan menggunakan sistem koordinat Cartesian. Spektrum Greyscale, yaitu warna-warna yang terbuat dari jumlah yang sama dari masing- masing primer, terletak pada garis yang menghubungkan simpul hitam dan putih.

  Gambar 3.11 Kubus Model RGB (Hu, 2002)

  Misalkan saja warna kuning, ia adalah hasil (merah + hijau), cyan (biru +hijau) , magenta (merah +biru), dan putih (merah+ hijau+biru). Sedangkan model HSV yang terdiri dari 3 komponen yaitu hue, saturation, value. Value terkadang disamakan dengan tingkat kecerahan. Model HSV dibuat oleh Alvy Ray Smith pada tahun 1978. HSV dikenal juga sebagai model warna hex-cone. Hue,

  merepresentasikan warna, hue adalah sudut diantara 0 sampai dengan 360 derajat.Konsep model warna HSV ditunjukkan oleh Tabel 3.1 tentang konsep sudut merepresentasikan warna, hue adalah sudut diantara 0 sampai dengan 360 derajat.Konsep model warna HSV ditunjukkan oleh Tabel 3.1 tentang konsep sudut

  Tabel 3.1 Nilai sudut dan

  warna pada Hue (Hu, 2002)

  Sudut (˚)

  Gambar 3.12 Kerucut HSV ,

  (Sequin, 2011)

  Pada Gambar 3.12 dijelaskan konsep Saturation mengindikasikan rangebatas dari tingkat keabu-abuan dalam ruang warnacolor space. Yaitu dari nilai 0- 255(Grayscale), Jadi ada keadaan abu-abu antara nilai 0 dan 1. Saturation akan jadi ukuran operasi threshold pada penelitian ini. Value adalah tingkat kecerahan (brightness) dari warna dan nilainya bervariasi dan berhubungan dengan saturation. Nilainya berkisar dari dari 0-100. Saat 0 nilainya hitam total, dengan peningkatan nilai value maka tingkat kecerahannya bertambah. Kelebihan model HSV adalah karena mendekati warna yang dirasa indra manusia, sehingga sering digunakan dalam pengolahan citra terutama pendeteksian suatu objek dengan warna tertentu.

3.2.2 Thresholding

  Thresholding merupakan konversi citra berwarna ke citra biner yang

  dilakukan dengan cara mengelompokkan nilai derajat keabuan setiap pixel kedalam 2 kelas, hitam dan putih. Pada citra hitam putih terdapat 256 level, artinya mempunyai skala “0” sampai “255” atau [0, 255], dalam hal ini nilai intensitas 0 menyatakan hitam, dan nilai intensitas 255 menyatakan putih, dan nilai antara 0 sampai 255 menyatakan warna keabuan yang terletak antara hitam dan putih. Kemudian dapat dipisahkan objek menurut rentan nilai thresholding dilakukan dengan cara mengelompokkan nilai derajat keabuan setiap pixel kedalam 2 kelas, hitam dan putih. Pada citra hitam putih terdapat 256 level, artinya mempunyai skala “0” sampai “255” atau [0, 255], dalam hal ini nilai intensitas 0 menyatakan hitam, dan nilai intensitas 255 menyatakan putih, dan nilai antara 0 sampai 255 menyatakan warna keabuan yang terletak antara hitam dan putih. Kemudian dapat dipisahkan objek menurut rentan nilai thresholding

  Gambar 3.13 Contoh hasil thresholding (Bradski and Kaehler, 2008)

3.2.3 Smoothing

  Smoothing atau sering disebut blurring, adalah metode untuk mengkaburkan objek. Tujuannya adalah untuk mengurangi noise, sehingga mempermudah pemrosesan citra, terutatma proses pendeteksian tepi. Hal ini karena proses smoothing dapat menghaluskan menyatukan bagian citra yang terpisah (Hu,2002). Hal ini terlihat seperti pada Gambar 3.14.

  Gambar 3.14 Contoh hasil Gaussian Smoothing (Hu, 2002)

  Filter yang digunakan untuk smoothing adalah linear, dengan 1 dimensi. Persamaan untuk smoothing 1 dimensi dapat dilihat pada Persamaan (3.2).

  − 2 ,

  …… … … …… … …… … …… … …… … … . …… (3.2)

  ℎ = 2.

  −2 2 2 2

  Pada Persamaaan (3.2) terdapat persamaan H(u) yang berupa persamaan citra, dan persamaan h(x) yang berupa hasil smoothing dengan 1 Dimensi. Terlihat bahwa hasil smoothing adalah seperti low pass filter (Hu, 2002). Grafik median dari kedua persamaan ini terlihat pada Gambar 3.15.

  (a) Hasil dari transformasi

  (b) Hasil setelah di smoothing,

  H(u), citra awal

  h(x).

  Gambar 3.15 Hasil dari transformasi Gaussian Blur

  1 Dimensi (Hu, 2002)

  Pada persamaan smoothing yang digunakan pada penelitian ini adalah 2 dimensi . Persamaaan ini tertulis pada Persamaaan (3.3 a). Nilai , pada OpenCV berasal dari Persamaan (3.3 b), n adalah parameter 1 untuk kernel horizontal atau parameter 2 untuk kernel vertikal. Kernel adalah matriks yang digunakan untuk

  proses konvolusi (OpenCV, 2012). Hasil grafik median dari persamaan smoothing 2D, dicontohkan pada Gambar 3.16.

  −2 2 , =2. 2 ( 2 + 2 ) … … … … … … … … … … … … … … . … … … … ...(3.3 a)

  = 0,3 2 − 1 + 0,8, n……………………………………………………..…(3.3 b)

  Gambar 3.16 Hasil dari transformasi Gaussian Blur 2 D (Huu, 2002)

3.2.4 Ope rasi Sobel

  Operasi Sobel dilakukan untuk menghitung perbedaan gradient warna intensitas gelap dan terang dari suatu pixel bertetanggaan (matriks) (Huu,2002). Mekanismenya adalah dengan melakukan konvolusi antara citra asli dengan kernel Sobel 3x3, 2 Dimensi x dan y. Matriks kernel tersebut yakni ditunjukkan pada matriks pada Persamaan 3.4. Matriks untuk Gradasi X ditunjukka n pada Persamaan (3.4 a), Gradasi Y ditunjukkan pada Persamaan (3.4 b) , total Gradasi ditunjukkan pada Persamaan (3.4 c). Hasil Operasi Sobel ditunjukkan pada Gambar 3.17.

  + …………..……….……………………………………... .

  ∗ ………………………………………………..….… .

  = + ………………………………………………..……..….…... .

  Gambar 3.17 Hasil Operasi Sobel (OpenCV, 2012)

3.2.5 Ope rasi Deteksi Tepi Canny

  Operasi Canny Threshold dilakukan sebagai tindak lanjut dari operasi sobel. Dengan operasi canny didapatkan nilai tepian dari suatu objek. Dengan kata lain operasi canny akan membinerisasikan nilai threshold yang dianggap tepian objek. Metode pada Canny adalah dengan Hysterisis Threshold. Dengan proses tersebut deteksi tepi adalah pixel tingkat keabuannya lebih dari atau sama dengan threshold atas, sedangkan pixel dengan tingkat keabuan lebih dari threshold bawah, yang sama terhubung dengan pixel yang dianggap tepian objek (lebih besar dari threshold atas) maka akan dianggap sebagai tepian objek. Hal ini untuk menghubungkan tepian objek yang mungkin tidak memiliki gradasi yang sama tinggi dengan tepian lain (OpenCV, 2012). Ilustrasi deteksi dengan dua nilai threshold dan satu nilai threshold ditunjukkan pada Gambar 3.18. Contoh hasil deteksi tepian Canny pada citra ditunjukkan pada Gambar 3.19.

  (a) Hasil Operasi dengan threshold

  (b) Hasil Operasi dengan threshold

  tunggal

  tinggi dan rendah

  Gambar 3.18 Hasil deteksi tepian dengan (a) threshold tunggal (b) threshold tinggi dan rendah (OpenCV, 2012)

  Gambar 3.19 Hasil deteksi tepian Canny (OpenCV, 2012)

3.2.6 Hough Circle Transform

  Persamaan Hough adalah salah satu persamaan untuk merepresentasikan Kontur (countour). Kontur adalah salah satu bentuk deteksi tepi, deteksi ini bisa merepresentasikan batas dari suatu daerah (boundary region) atau suatu bentuk. Maka dari itu didapatkan persamaan-persamaan untuk dapat merepresentasikan bentuk tersebut (Munir, 2004). Salah satunya adalah Hough Circle Detection.

  Gambar 3.20 Proses mendeteksi lingkaran dengan Hough Circle Transform (Munir, 2004)

  Pada Gambar 3.20 dijelaskan tentang proses mendeteksi lingkaran dengan metode Hough Circle Transform. Ciri-ciri dari lingkaran adalah mempunyai titik tengah (a,b), dengan tepian dengan jarak jari-jari yang sama Prosesnya adalah mencari bentuk lingkarang di semua pixel.. Maka dari itu metode yang digunakan adalah persamaan polar, yang dijelaskan pada Persamaan (3.5). Pada Persamaan

  (3.5) dijelaskan tentang bagaimana melakukan perhitungan untuk dapat mencari titik a, b, dan r (jari-jari). Persamaannya adalah sebagai berikut :

  2 2 − +

  −

  = ; … … … … … … … … … … … … … … … … … … … … . (3.5 )

  = + ∅; = − ∅…………………………….…...……(3.5 b) = + ∅; = − ∅……………………………...….……(3.5 c)

  = −

  −

  ; = sin ∅ , ……………………………...…………………(3.5 d)

  ∅

  Transformasi lingkaran ditunjukkan pada Persamaan(3.5a), kemudian diubah dalam bentuk perkalian sudut untuk dapat mencari jari-jari berdasarkan titik tengah (a,b) dan tepian (x,y), perkalian sudut ini ditunjukkkan pada Persamaan (3.5b) dan Persamaan (3.5c). Maka untuk mencari besar jari- jari lingkaran dapat diperoleh pada bentuk Persamaan (3.5d).

  OpenCV memiliki library untuk deteksi Hough Transform. Metode yang digunakan sama dengan Hough Circle Transform sederhana, hanya metodenya sudah dioptimasi, dengan tidak menghilangkan ciri Hough Transform yakni deteksi koordinat titik tengah (a,b) serta jari-jari lingkaran (r) (OpenCV, 2012). Ilustrasi deteksi lingkaran ditunjukkan pada Gambar 3.21.

  Gambar 3.21 Hasil pendeteksian citra dengan Hough Circle Transform (OpenCV, 2012)

  Pada Gambar 3.21 dapat dilihat bahwa OpenCV mencari bagian tepi yang bentuknya adalah lingkaran. Parameter pada OpenCV akan dijelaskan lebih lanjut Pada Gambar 3.21 dapat dilihat bahwa OpenCV mencari bagian tepi yang bentuknya adalah lingkaran. Parameter pada OpenCV akan dijelaskan lebih lanjut

3.2.7 OpenCV

  OpenCV (Open Source Computer Vision) adalah library pustaka fungsi pemrograman untuk pemrosesan waktu nyata pada computer vision. OpenCV dirilis

  dibawah lisensi BSD, gratis untuk digunakan untuk kegunaan akademis maupun untuk fungsi komersial. Menggunakan antarmuka C++, C dan Python, juga Java.

  OpenCV adalah library Open Source untuk Computer Vision untuk CC++, OpenCV didesain untuk aplikasi real-time, memiliki fungsi- fungsi akuisisi yang baik untuk imagevideo (Huaman, 2012). Library ini dapat berjalan pada sistem operasi Windows, Linux maupun Mac.

  Feature yang dimiliki OpenCV antara lain :

  a) Citra dan video IO (file dan kamera based input, imagevideo file output).

  b) Manipulasi Matriks dan Vektor beserta rutin-rutin aljabar linear (products, solvers, eigenvalues, SVD).

  c) Pemroses Citra fundamental (filtering, edge detection, corner detection, sampling and interpolation, color conversion, morphological operations, histograms, image pyramids).

  d) Kalibrasi kamera (calibration patterns, estimasi fundamental matrix, estimasi homography, stereo correspondence).

  e) Analisis gerakan (optical flow, segmentation, tracking).

  f) Graphical User Interface (display imagevideo, penanganan keyboard dan mouse handling, scroll-bars).

  g) Pelabelan citra (line, conic, polygon, text drawing).

  OpenCV terdiri dari 3 library, yaitu:

  a) CV : untuk algoritma Image processing dan Vision.

  b) Highgui :untuk GUI, Image dan Video IO.

  c) CXCORE : Untuk struktur data, support XML dan fungsi- fungsi grafis.

BAB IV METODE PENELITIAN

4.1 Bahan

  Pada Gambar 4.1 ditampilkan hasil capture video dari dalam mobil dengan menggunakan handycam. Bahan yang digunakan adalah video hasil pengambilan gambar di lokasi. Video tersebut merupakan gambaran dari keadaan hasil camera yang terletak di dalam mobil (dibelakang mirror tengah).

  Gambar 4.1 Hasil capture video dari dalam mobil

4.2 Peralatan

  Pengembangan software membutuhkan perangkat keras dan perangkat lunak. Sebagai langkah awal, direncanakan untuk menggunakan beberapa instrumentasi yang akan diuraikan, pada sub bab peralatan. Peralatan yang digunakan adalah sebagai berikut :

a. Handycam Sonny Hybrid HDR-CX110E

  Sensor untuk mengcapture video yang digunakan adalah Sonny Hybrid HDR-CX110E. Digunakan alat ini karena menghasilkan hasil Capture Video dengan sangat baik, dengan fitur tambahan Exmor yang memungkinkan perekaman video dengan tingkat exposure rendah maupun tinggi. Gambar model perekam video ditunjukkan pada Gambar 4.2.

  Gambar 4.2 Kame ra Sonny Hybrid HDR-CX110E

b. Tripod Handycam

  Tripod adalah alat untuk mendukung posisi handycam yang benar tegak dan terukur, lengkap dengan waterpas untuk menentukan kedudukan datar camera. Pada tripod diset tinggi sebesar 150 cm, untuk mempurwarupakan setting camera pada ketinggian mirror tengah mobil Nissan Terrano.

c. Tali Rafia

  Tali rafia yang dimaksud disini bukan sembarang tali rafia. Namun tali rafia yang sudah diukur per 10 meter. Untuk mendapatkan nilai 10 meter diukur dengan menggunakan bantuan ubin, dimana ubin berukuran 30x30 cm. Berarti untuk mendapatkan panjang 10 meter, perlu dibentangkan tegak lurus pada ubin sebanyak 34 ubin.

  Tali rafia ini akan digunakan untuk membantu menset jarak kalibrasi untuk membuat titik point per 10 meter dimulai dari titik nol.

d. Kalibrator Model

  Kalibrator model adalah model kendaraan yang digunakan untuk mengkalibrasi hasil dari kamera berdasarkan jarak yang sudah ditentukan, dan untuk meminimalisir error. Berikut adalah kendaraan dan spesifikasinya yang digunakan untuk mengkalibrasi pendeteksian pola warna.

  Model sampel kendaraan untuk kalibrator pada mobil, mempunyai spesifikasi yang ditunjukkan pada Tabel 4.1. Sedangkan pada sampel motor untuk kalibrasi ditunjukkan pada Tabel 4.2.

  Tabel 4.1 Kebutuhan mobil model kalibrator

  Merek

  Nissan Terrano

  Type

  Jeep

  Lebar Kendaraan

  145 cm

  Tinggi Lampu Depan

  80 cm

  Tinggi Lampu Belakang

  82 cm

  Tinggi Spion Tengah

  150 cm

  Tabel 4.2 Kebutuhan motor model kalibrator

  Merek

  Honda Revo

  Lebar

  40 cm

  Tinggi Lampu Depan

  110 cm

  Tinggi Lampu Belakang

  82 cm

e. Software OpenCV

  Digunakan Software OpenCV untuk komputasi pemodelan sistem ini, karena OpenCV adalah perangkat lunak khusus untuk mengolah citra, dan kelebihannya adalah ringan. Kelebihan OpenCV dibanding peralatan yang lain telah disebutkan pada dasar teori.

f. Pemroses Video.

  Pada penelitian ini digunakan spesifikasi laptop yang telah disebutkan di bagian analisa kebutuhan hardware pada sub bab 4.4.1 Penelitian ini menggunakan prosesor Intel karena OpenCV dioptimalisasi untuk prosesor tersebut.

4.3 Prosedur Kerja dan Pengumpulan Data

  1. Dilakukan studi literatur mengenai metode apa saja yang dibutuhkan untuk pemrosesan video.

  2. Dilakukan pengambilan gambar video di lapangan, untuk mempermudah penelitian.

  3. Dilakukan penelitian pemrosesan video dengan metode yang akan digunakan yakni pendeteksiaan warna, ukuran minimal pendeteksian, dan koordinat.

  4. Dilakukan uji algoritma dan analisa d ata.

  5. Dilakukan implementasi pada purwarupa sistem.

  6. Dibuat laporan hasil penelitian berupa skripsi.

4.4 Analisis dan Rancangan Sistem

  Berikut ini adalah rancangan sistem dan kebutuhan pembuatan sistem:

4.4.1 Analisis kebutuhan fungsiomal

  Analisis kebutuhan fungsional adalah sistem standar yang direkomendasikan untuk menjalankan sistem ini. Analisis tersebut meliputi pemrosesan video, kontrol dan aktuator.

Analisis kebutuhan pemroses video (hardware)

  Hardware pemroses video berupa laptop computer standar. Karena masih dalam tahap penelitian dengan menggunakan prototype. Detail spesifikasi tentang pemroses video yang digunakan ditunjukkan dalam Tabel 4.3.

  Tabel 4.3 Kebutuhan hardware pemroses video

  Model CPU

  Core 2 Duo Intel Processor

  Memori

  2 GB Ram DDR2

  Platform

  Platform Linux Ubuntu

  Penyimpanan

  160 Gb

  Display

  Standart

  Sesuai pada Tabel 4.3 penelitian akan dilaksanakan pada platform Intel Processor Core 2 Duo, dengan 2 GB Ram DDR2, dan hardisk 160 GB. Demi kebebasan, dan keringanan pemrosesan, digunakan sistem operasi Linux Ubuntu. Karena lebih ringan dan kecil ukurannya dibanding sistem operasi yang lain.

Analisis kebutuhan pemroses video (software).

  Untuk kebutuhan pemroses video, digunakan framework Opencv 2.4.2. untuk Linux, kemudian menggunkaan compiler C+ pada penelitian ini. compiler GCC terbaru. Kebutuhan tersebut ditunjukkan pada Tabel 4.4.

  Tabel 4.4 Kebutuhan software pe mroses video

  V4Lan (Video Lan for Linux), dan FFMPEG 0.8x

  Untuk video codec, kebutuan OpenCV Linux versi 2.4.2 adalah V4Lan dan FFMPEG 0.8x. Untuk display, digunakan layar laptop standart.

Analisis kebutuhan sensor

  Kebutuhan Sensor dibawah ini adalah video kamera Handycam Sonny Hybrid HDR-CX110E untuk menghasilkan video. Spesifikasi tersebut dapat dilihat pada Tabel 4.5.

  Tabel 4.5 Setting sensor Handycam Sonny Hybrid HDR-CX110E

  Resolusi Sensor

  3 Mega Pixels

  Setting Fokus

  Manual

  Setting Exposure

  Automatic

  Kecepatan Shutter

  50 FPS

  Resolusi Video

  HD: 1920x108060p (PS)

  Pada Tabel 4.5 disebutkan resolusi video adalah 1920x1080 (HD) 60p (PS), dan besarnnya kecepatan shutter 50 FPS (kamera mampu merekam gambar

  50 frame per detik), Dengan terlalu besar ukuran video dan tingkat fps dari video kamera ,untuk di proses dengan software pengolah citra OpenCV. Maka dari itu pada penelitian ini dilakukan dengan software Video Converter Format Factory. Hasil konversi dengan menggunakan software Format Factory ditunjukkan pada Tabel 4.6.

  Tabel 4.6 Hasil Konversi dengan software Format Factory

  Kebutuhan

  Gambar Video

  Resolusi

  Pada Penelitian ini 640x480

  FPS

  15 FPS

  Untuk memudahkan kan pemrosesan video, output resolusi pada penelitian ini digunakan 640x480 pixel, dengan tingkat frame rate sebesar 15 FPS (Frame per second), karena pemrosesan pada video dengan OpenCV adalah dengan memroses tiap frame video yang masuk, sehingga harus dibatasi supaya tidak terlalu berat.

Analisis kebutuhan aktuator

  Spesifikasi untuk kebutuhan aktuator pada penelitian ini adalah system Arduino Mega 2560, spesifikasi sistem ditunjukkan pada Tabel 4.7. Modul sistem ditambahkan dengan tambahan modul relay Shield dan dua aktuaor servo., dan lampu led, sebagai purwarupa sistem Spesifikasi tersebut dapat dilihat pada Tabel

  Tabel 4.7 Tabel spesifikasi kontroller Arduino Mega 2560

  Kapasitas ROM

  256 Kb

  Tabel 4.8 Tabel spesifikasi aktuator

  Relay

  Arduino Relay Shield , 4 Relays

  Servo

  12 KG , 180 Degrees, 2 buah

  Lampu

  LED Superbright Hijau (Low Beam)

  Kapasitas ROM

  LED Superbright Biru (High Beam)

4.4.2 Analisis kebutuhan non fungsional

  Analisis kebutuhan non fungsional adalah kebutuhan sistem diluar kebutuhan detail teknis, namun harus dipenuhi untuk berjalan baiknya suatu sistem. Kebutuhan non fungsional untuk sistem ini ditunjukkan pada Tabel 4.9.

  Tabel 4.9 Kebutuhan non fungsional

  Kebutuhan Kualitas

  Pada penelitian ini digunakan mode 640x480,

  Gambar

  dengan besar FPS: 15 fps Mampu mendeteksi colorspace (jangkauan

  Kemampuan

  warna) lampu depan dan lampu belakang dengan

  pendeteksian

  Hough Circle. Mampu mendeteksi dan mengintepretasi pendeteksian dengan estimasi jarak real objek

  Kebutuhan Jarak

  berdasarkan tinggi sumbu vertikal centroid dan

  Pendeteksian

  tingkat thresholding. Mampu memroses main frame dan mampu

  Kebutuhan

  memproses beberapa frame untuk kebutuhan

  pemrosesan

  pemrosesan.

  Pada Tabel 4.9 diterangkan dengan kebutuhan non fungsional. Digunakan resolusi video 640x480 dan 15 fps untuk menjalankan main frame. Untuk fungsi deteksi Hough Circle, maka harus mampu mendeteksi colorspace lampu depan dan lampu belakang Hough Circle.

  Kemudian spesifikasi sistem yang dikembangkan harus mampu mengintepretasikan estimasi jarak objek dengan parameter yang didapatkan dari hasil kalibrasi. Kemudian pemrosesan pasti memerlukan beberapa frame untuk preprocessing dan duplikasi diproses secara bersamaan, maka sistem harus mampu memroses tanpa menghasilkan error.

4.5 Rancangan Penelitian

4.5.1 Rancangan sistem segmentasi citra

  Preprocessing Konversi RGB2HSV, Filter Colorspace, Deteksi Tepi Objek

  RGB2HSV

  Grayscale 8 Bit

  Gauss Blur

  (Deteksi Tepi)

  Objek Terdeteksi :

  Transformasi

  Operator

  - (x,y) centroid

  Hough Circle

  Canny Threshold

  - radius

  (Binerisasi Tepian)

  Intepretasi koordinat

  Processnig

  vertikal Centroid dan

  Canny Threshold

  Tingkat Threshold objek

  Dan Transformasi

  terdeteksi

  Hough Circle

  Gambar 4.3 Diagram proses segmentasi citra

  Proses pengolahan citra yakni segmentasi objek untuk memisahkan objek dengan lingkungan secara umum dijelaskan pada diagram pada Gambar 4.3. Pada Gambar 4.3 secara umum dijelaskan proses pengolahan citra secara jelas dari citra asli RGB 8 bit 3 channel, kemudian dikonversi ke bentuk HSV untuk mengurangi nois error akibat perubahan intensitas cahaya dengan frame HSV 8 bit 3 channel. Frame tersebut di filter dengan spasi warna (colorspace) untuk memisahkan objek dengan lingkungan. Dilakukan Filter Gaussian Blur untuk mengurangi nois untuk deteksi tepi.

  Proses deteksi tepi pada Gambar 4.3, dilakukan operasi sobel untuk dapat menghitung tingkat gradasi warna intensitas gelap terang (derajat keabuan) pada pixel bertetanggaan (Matriks). Hasil operasi sobel membuat gradasi pixel bertetanggan pada tepi objek menjadi tinggi, sementara bagian tengah gradasinya rendah. Pada Gambar 4.3 dijelaskan mengenai processing yakni canny dan Hough Circle. Dilakukan Operasi Canny dengan operasi 2 thresholding, yakni threshold atas dan threshold bawah. Nilai derajat keabuan yang sama dan lebih besar dari threshold atas akan dianggap sebagai tepi, sementara threshold bawah akan menghubungkan pixel dengan gradasi diatasnya yang terhubung dengan tepi sebagai tepi objek. Hasil operasi canny berupa biner 1 pada tepi objek (solid).

  Sementara tengah dan luar objek adalah 0. Pada tepi objek inilah dilakukan ekstraksi fitur Hough Transform untuk mencari bentuk lingkaran. Kemudian hasil Transformasi Hough Circle adalah mendapatkan titik tengah (a,b) dan radius objek terdeteksi.

4.5.2. Rancangan diagram blok sistem