pengembangan sistem identifikasi objek bergerak dengan ... · proceeding seminar tugas akhir...

Proceeding Seminar Tugas Akhir Jurusan Teknik Elektro FTI-ITS

Pengembangan Sistem Identifikasi Objek Bergerak dengan Kamera Aktif

Ari Taufiq Ismail - 2204100163 Jurusan Teknik Elektro ITS, Surabaya-60111, email : [email protected]

Abstrak - Banyak sistem keamanan saat ini menggunakan kamera untuk mengawasi keadaan suatu lokasi. Untuk mengawasi daerah yang cukup luas, pengawas hanya perlu memantau keadaan lokasi melalui monitor tanpa harus langsung berada di lokasi. Sudut pandang dari kamera yang terbatas menyebabkan target pengawasan lepas dari pantauan pengawas, khususnya target objek yang bergerak.

Pada tugas akhir ini dibuat kamera aktif yang bergerak secara otomatis untuk menjejak target bergerak. Pada sistem terdiri dari sebuah webcam sebagai sensor visual dan sistem pengerak kamera yang dapat menggerakkan kamera ke arah atas-bawah dan kanan-kiri. Pengawas memilih target bergerak pada citra yang ditangkap untuk diawasi sebagai parameter dari gerakan kamera. Bersamaan dengan dilakukan pengawasan terhadap target maka dimulai proses perekaman hasil visual. Gerakan dari target yang diawasi akan menuntun gerakan kamera untuk mengikutinya.

Pada tugas akhir ini, sistem pemantauan dinamis berdasarkan Binary Patern dari gambar target yang ingin diawasi. Dengan menggunakan perhitungan integral image maka proses komputasi akan dapat dihemat. Proses ini memungkinkan untuk identifikasi target secara real-time. Estimasi dari keakuratan aplikasi ini adalah 70% dengan target yang bergerak normal..

Kata kunci : kamera, sistem pemantauan dinamis,

opencv.

1. PENDAHULUAN

Kabar-kabar yang beredar mengenai meningkatnya kehebohan terutama penampakan benda asing telah membuat masyarakat khawatir mengenai lingkungan masing-masing, Sistem pengawasan pun semakin di tingkatkan. Banyak sistem pengawasan saat ini menggunakan kamera untuk mengawasi keadaan suatu lokasi. . Untuk mengawasi daerah yang cukup luas, pengawas hanya perlu memantau keadaan lokasi melalui monitor tanpa harus langsung berada di lokasi.. Sudut pandang dari kamera yang terbatas menyebabkan target pengawasan lepas dari pantauan pengawas, khususnya target objek yang bergerak. Pada tugas akhir ini dibuat kamera aktif yang bergerak secara otomatis untuk menjejak target bergerak secara mandiri. Pada sistem terdiri dari sebuah webcam sebagai sensor visual dan sistem pengerak kamera yang dapat menggerakkan kamera ke arah atas-bawah dan kanan-kiri. Pengawas memilih target pada citra yang

ditangkap untuk diawasi sebagai parameter dari gerakan kamera. Bersamaan dengan dilakukan pengawasaan maka dimulai proses merekam target dimulai. Gerakan dari target yang diawasi akan menuntun gerakan kamera untuk mengikutinya. Parameter ideal untuk target adalah berada tepat pada titik tengah dari layar, sehingga kamera akan digerakkan untuk memperbaiki posisi target.

Proses identifikasi terdiri dari tiga proses yang berurutan, yaitu penjejak, pembelajaran dan deteksi terhadap target. Target yang bergerak akan terus diikuti hingga parameter pembatas dilewati. Lalu akan dilakukan pencarian target pada gambar yang ditangkap kamera dengan cara scanning sambil membandingkan nilai-nilai binary patern yang dimiliki oleh image yang merupakan data target sebagai data positif. Begitu target di dapatkan maka akan dilakukan secara acak pengambilan gambar di sekeliling objek sebagai data negatif.

2. TEORI PENUNJANG

2.1 Citra Digital

Secara harfiah, citra (image) adalah gambar pada bidang dua dimensi. Secara matematis, citra merupakan fungsi kontinyu (continue) dan intensitas cahaya pada bidang dua dimensi. Agar dapat diolah dengan komputer digital, maka suatu citra harus dipresentasikan secara numerik dengan nilai-nilai diskrit. Repersentasi dari fungsi kontinyu menjadi nilai-nilai diskrit disebut digitalisasi citra. Citra yang dihasilkan inilah yang disebut citra digital

Citra digital dapat dinyatakan dalam matriks dua dimensi ƒ(x,y) dimana x dan y merupakan koordinat piksel dalam matriks dan ƒ merupakan derajat intensitas piksel tersebut. Citra digital yang tingginya N lebarnya M dan memiliki L derajat keabuan dapat dianggap sebagai fungsi :

≤≤≤≤≤≤

Lf

Ny

Mx

yxf

0

0

0

),(

Citra digital berbentuk matriks dengan ukuran N x M

akan tersusun sebagai berikut:

−−−−

−−

≈

)1,1(...)1,1()0,1(

)1,1(...)1,1()0,1(

)1,0(...)1,0()0,0(

),(

MNfNfNf

Mfff

Mfff

yxfMMMM

Indeks baris (i) dan indeks kolom (j) menyatakan

suatu koordinat titik pada citra. Sedangkan f(i,j) merupakan intensitas (derajat keabuan) pada titik (i,j).

(1)

(2)


Proses digitalisasi citra terdiri dari 2 macam tahap yaitu digitalisasi spasial (sampling) dan tahap digitalisasi intensitas (kuantisasi). Pada tahap digitalisasi spasial merupakan penyamplingan citra kontinyu dengan menghasilkan nilai-nilai diskrit yang kemudian dimasukan ke dalam matriks dengan ukuran tertentu. Sebagai contoh sebuah gambar berukuran 10x10 inchi dinyatakan dalam matriks yang berukuran 5x4 (MxN), yaitu lima baris dan empat kolom. Tiap elemen gambar lebarnya 2,5 inci dan tingginya 2 inchi akan diisi dengan sebuah nilai bergantung pada rata-rata intensitas cahaya pada area tersebut. Area 2,5x2 inchi pada sudut kiri atas gambar dinyatakan dengan lokasi (0,0) pada matriks 5x4. Area 2,5x2 inchi pada sudut kanan bawah gambar dinyatakan dengan lokasi (4,3) atau (M-1,N-1) pada matriks 5x4.

Penyamplingan gambar menjadi ukuran tertentu menentukan resolusi spasial yang diperoleh. Semakin tinggi reolusinya, yang berarti semakin kecil ukuran piksel (atau semakin banyak jumlah pikselnya), semakin halus gambar yang diperoleh karena informasi yang hilang akibat pengelompokan derajat keabuan pada penyamplingan semakin kecil [1]

Gambar 1 Resolusi (a) 176x127 (b) 88x63 (c) 44x31 (d) 22x15 [1]

Pada gambar 2.1. diperlihatkan efek perbedaan penyamplingan pada citra masing-masing 176 x 127, 88 x 63, 44 x 31, dan 22 x 15. Seluruh citra mempunyai jumlah derajat keabuan sama yaitu 256 buah. Karena area tampilan untuk keempat citra pada gambar 2.1 sama, maka piksel-piksel citra yang beresolusi rendah diduplikasi untuk mengisi seluruh bidang tampilan. Hal ini menghasilkan efek blok-blok yang sering diamati pada gambar beresolusi rendah pada umumnya.

Tahap berikutnya setelah tahap digitalisasi spasial (sampling) adalah digitalisasi intensitas atau disebut kuantisasi. Proses kuantisasi merupakan proses membagi skala keabuan (0,L) menjadi G buah level yang dinyatakan dengan harga bilangan bulat (integer), biasanya G diambil perpangkatan dari 2,

G = 2n

Dimana, G = derajat keabuan n = bilangan bulat positif

Pada skala keabuan, warna hitam dinyatakan dengan nilai derajat keabuan terendah yaitu 0, sedangkan warna putih putih dinyatakan dengan nilai derajat keabuan tertinggi yaitu 255 untuk 256 skala keabuan. Jumlah bit yang dibutuhkan untuk merepresentasikan nilai keabuan piksel disebut kedalaman piksel (pixel depth).

Pada kebanyakan aplikasi, citra hitam-putih dikuantisasi pada dua level, yaitu 0 dan 1. Tiap piksel pada citra biner cukup direpresentasikan dengan 1 bit, dimana 0 berarti hitam dan 1 bit berarti putih. Besarnya daerah derajat keabuan yang digunakan menentukan resolusi kecerahan dari gambar yang diperoleh.

Tabel 1 Pixel depth sebuah citra berdasarkan skala keabuan [1]

Skala Keabuan

Rentang Nilai Keabuan

Pixel Depth

2¹(2 nilai) 2² (4 nilai) 2³(16 nilai) 24(256nilai)

0 , 1 0 sampai 7 0 sampai 15 0 sampai 255

1 bit 2 bit 3 bit 8 bit

Misal, jika digunakan 3 bit untuk menyimpan harga

bilangan bulat, maka jumlah derajat keabuan yang diperoleh adalah 16 buah. Semakin banyak jumlah derajat keabuan (berarti jumlah bit kuantisasinya semakin banyak), maka semakin bagus gambar yang diperoleh karena kemenerusan derajat keabuan akan semakin tinggi sehingga mendekati citra asli [1].

Sementara itu citra diklasifikasikan menjadi dua, yaitu citra diam (still images) dan citra bergerak (moving images). Citra diam adalah citra tunggal yang tidak bergerak. Sedangkan citra bergerak adalah citra diam yang ditampilkan secara sekuensial sehingga seperti gambar yang bergerak. Setiap citra didalam rangkaian itu disebut frame.

2.2 Pengolahan Citra Digital

Pengolahan citra adalah mengolah citra yang bertujuan untuk mendapatkan suatu informasi dari citra tersebut. Pemrosesan data citra digital yang dibahas adalah binerisasi citra dan deteksi objek menggunakan Haar Cascade Classifier.

2.2.1 Binerisasi Citra

Binerisasi citra merupakan proses konversi citra dengan 256 derajat keabuan ke citra biner, dimana citra biner merupakan citra yang mempunyai dua derajat keabuan yaitu hitam (1) dan putih (0). Untuk mendapatkan derajat keabuan dari citra RGB (Red Green Blue) maka digunakan rumus konversi grayscale sebagai berikut :

BGRgray )114.0()587.0()299.0( ++=

(3)

(4)


Proses binerisasi ini dilakukan dengan menggunakan operasi pengambangan (thresholding). Operasi pengambangan ini merupakan operasi yang mengelompokan nilai setiap piksel dari citra grayscale ke dalam 2 kelas, hitam dan putih [2]. Dua pendekatan yang digunakan dalam operasi pengambangan adalah pengambangan secara global dang pengambangan secara lokal.

2.2.4 Algoritma Lucas Kanade

LucasKanade method merupakan algoritma yang digunakan unutk beberapa teknik pengolahan gambar. Algoritma LK (Lucas Kanade) menggunakan metode differensial untuk mengestimasi optical flow. Algoritma ini mengasumsikan bahwa pergerakan aliran dari piksel-piksel yang kita amati dalam satu daerah tertentu adalah konstan dan menyelesaikan “flow equation” dari piksel-piksel di daerah yang diinginkan [2].

Prinsip kerja dari algorimta Lucas Kanade [2]: 1. Brightness constancy.

Diasumsikan tingkat kecerahan dari sebuah piksel dari gambar objek tidak berubah dari frame ke frame.

2. Temporal persistence. Pergerakan dari objek pada gambar relatif sedikit seiring waktu.

3. Spatial coherence Posisi kumpulan piksel yang mengarah pada permukaan yang sama, memiliki arah gerakan yang sama antara gambar dengan keadaan nyata.

2.2.4 Matching template Matching template tidak berdasarkan persebaran

warna. Algoritma ini menggunakan fungsi selisih antara gambar input yang digeser sebesar gambar yang digunaka sebagai template. Dengan menggunakan beberapa metode match template kita mendapatkan nilai kecocokan dalam beberapa cara, bisa dengan nilai terendah atau tertingi.

Dengan perintah cvMatchTemplate(const CvArr* image,const CvArr* templ,CvArr* result,int method ) [2]. Citra result akan memuat hasil dari proses matching. Hasil tersebut dapat dari gambar dengan intensitas terendah atau tertinggi.

Gambar 2.3 Proses dari matching template

Gambar di-scanning terhadap gambar utama dengan metode SQDIFF_NORMED. Metode mencari selisih kuadrat antara dua titik yang bertindihan. Tingkat kecocokan teringgi didapat pada titiksel dengan intensitas nol, begitu sebaliknya dengan tingkat kecocokan terendah

2.2.5. Integral Image Integral image digunakan untuk mendapatkan nilai

dari seluruh piksel dari daerah yang kita inginkan [2].

2.3 Sistem Kontrol Gerakan

Sistem kontrol gerakan merupakan suatu sistem yang bertujuan untuk mengendalikan gerakan agar dapat menuju ke titik yang diinginkan. Salah satu tipe sistem kontrol gerakan adalah sistem kontrol gerakan berbasis elektrik. Sistem kontrol gerakan berbasis elektrik terdiri atas kontroler, penggerak motor atau amplifier, motor elektrik, sensor sebagai umpan balik serta komponen penunjang seperti gear, belt, dan lain-lain.

Sebagian besar kontrol gerakan saat ini menggunakan

sistem elektrik daripada menggunakan sistem pneumatik maupun sistem hidraulik. Adapun kelebihan dari penggunaan sistem elektrik pada kontrol gerakan bila dibandingkan dengan menggunakan sistem pneumatik maupun hidraulik, yaitu [3]:

a. Lebih presisi dalam hal load and tool positioning.

b. Fleksibilitas tinggi, karena memiliki perubahan gerak yang lebih cepat.

c. Lebih efisien. d. Desain sistem lebih sederhana. Instalasi ,

pemrograman, serta pengujian lebih mudah. e. Biaya perawatan lebih murah. f. Lebih bersih, karena tanpa menggunakan minyak

.

2.3.4 Klasifikasi Kontrol Gerakan

Kontrol gerakan diklasifikasikan menjadi 2 macam yaitu closed loop motion control dan open loop motion control.

Gambar 2 Diagram blok closed-loop motion control system[3].

a. Closed loop motion control system Closed loop motion control system, berdasarkan blok diagram pada gambar 2.3, mempunyai satu atau lebih umpan balik sensor yang secara kontinyu. Sistem ini membandingkan respon sistem dengan setting point (input) untuk mengoreksi error pada motor, kecepatan load ( tools / end-effector), posisi load, dan torsi motor.

(5)


b. Open loop motion control Ciri khas dari open-loop motion control system adalah menggunakan motor stepper dengan pembangkit pulsa serta driver motor stepper seperti ditunjukkan pada gambar 2.4, sistem ini tidak membutuhkan umpan balik sensor karena kecepatan dan tegangan pada load dikontrol dengan cara penetapan angka dan arah dari pulsa input digital yang dikeluarkan oleh kontroller ke driver motor stepper.

Gambar 3 Diagram blok open-loop motion control system [3]

2.4. Motor stepper Motor stepper merupakan jenis brushless motor

dimana bagian rotor dari motor stepper ini adalah berupa magnet permanen sedangkan pada bagian stator terdiri atas beberapa lilitan. Adanya beberapa kumparan pada bagian stator ini mengakibatkan motor stepper dapat berputar setiap step. Besar derajat putar per step (resolusi) yang dimiliki masing-masing motor stepper adalah 0,72° per step merupakan resolusi terkecil, sampai 90° per step merupakan resolusi terbesar.

Prinsip kerja motor stepper adalah gerak putarnya dapat dikontrol secara digital, bila sinyal clock diberikan pada rangkaian translator maka salah satu kumparan pada stator akan tersuplai arus selama selang waktu tertentu sehingga motor stepper akan bergerak satu step sesuai dengan spesifikasinya. Bila setiap lilitan pada bagian stator tersuplai arus selama selang waktu tertentu secara berurutan (sekuensial) maka motor stepper akan bergerak berputar.

Motor stepper memiliki karakteristik pada torque-speed yaitu memiliki torsi yang besar pada kecepatan rendah. Motor stepper juga memiliki karakteristik yang lain yaitu holding torque. Holding torque memungkinkan motor stepper dapat menahan posisinya ketika tidak berputar. Hal ini sangat berguna untuk aplikasi dimana suatu sistem memerlukan keadaan start dan stop. Karakteristik-karakteristik tersebut di atas tidak dimiliki oleh motor DC [5].

3. PERANCANGAN SISTEM

3.1 Perancangan Sistem Pada sistem ini digunakan sebuah kamera sebagai

sensor visual. Kamera sebagai sensor visual akan menangkap citra manusia kemudian dikirim ke komputer. Operator akan memilih objek yang akan diawasi, kemudian menjalankan proses learning terhadap objek terpilih. Dengan melakukan penjejakan terhadap objek, proses akan terus menambah jumlah data yang

akan digunakan pada saat mendeteksi keberadaan objek pada gambar. Setelah objek ditemukan pada jangkauan pada kamera pengawas, maka proses akan mengestimasi arah gerak dari target manusia. Setelah diperoleh arah gerak, komputer menentukan sinyal kontrol yang akan dikirim menggunakan komunikasi serial standar ke robot penggerak kamera pengawas. Sehingga kamera pemantau akan bergerak mengikuti arah gerak dari target manusia yang diawasi.

Berdasarkan diagram blok sistem pada gambar 4, maka model dan implementasi sistem ini meliputi perancangan perangkat keras, perancangan perangkat lunak serta perangkat penunjang yaitu kamera dan komputer. Pada perancangan perangkat keras meliputi pembuatan mekanik robot penggerak kamera pemantau, pembuatan rangkaian elektrik untuk kontroler gerakan robot kamera pengawas.

INPUT DARI USER SOFTWARE HARDWARE LOKASI OBJEK BARU

Gambar 4 Diagram blok sistem.

Sedangkan pada perancangan perangkat lunak meliputi pembuatan program image processing untuk mendeteksi keberadaan dari target dan mengestimasi arah gerak target serta pembuatan program mikrokontroler untuk mengendalikan gerak motor stepper.

3.2 Perancangan Software

Pada aplikasi software, sistem memakai algoritma yang terdiri dari sistem penjejakan, sistem learning dan sistem deteksi yang bekerja secara berurutan [9]. Dimulai dari sistem penjejakan yang mengambil gambar inisial dari target. Lalu gambar ini di simpan sebagai data positif. Data positif menunjukkan bahwa gambar pada data tersebut merupakan target. Posisi target dijadikan sebagai trajectory tracking, parameter ini digunakan untuk menentukan data negatif yang posisinya jauh dari trajectory tracking.

Gambar 5 Diagram blok perangkat lunak

3.2.1 Proses penjejakan Proses penjejakan merupakan proses untuk

memantau target yang dipilih. Dengan memilih target, operator mendapatkan nilai piksel yang akan digunakan sebagai parameter tracking. Nilai ini akan digunakan pada Lucas Kanade method untuk mendapatkan nilai baru dari perpindahan piksel parameter pada frame selanjutnya


Gambar 5 Proses penjejakan

Piksel parameter akan berubah pada setiap frame mengikuti posisi nilai piksel terget yang baru. Sehingga proses tracking akan lebih adaptif. Batasan dari proses ini adalah bila perbandingan median shift window aktual tidak sama dengan perbandingan inisial window pada initial image.

Namun pada algoritma ini dibutuhkan ketelitian pada saat pemilihan target. Pemilihan yang tidak tepat akan menyebabkan gambar latar yang tertangkap seabagai objek yang diawasi. Pemilihan target diberikan kepada pengguna agar hasil penjejakan lebih baik. 3.2.2 Learning terhadap target

Proses learning mengumpulkan data dari gambar yang berada pada jalur tracking tadi. Gambar ini diambil nilai feature-nya untuk disimpan sebagai data. Dengan menggunakan data 2bit Binary Pattern, maka proses pengolahan akan lebih sederhana.

Proses ini memilih daerah-daerah feature secara acak baik pada posisi, lebar atau tinggi.. Sehingga ciri yang didapatkan akan memiliki perbedaan dengan lainnya. Dengan memfaatkan nilai integral dari suatu gambar, kita mendapatkan suatu nilai yang dapat diperbandingkan.

Gambar 6 Proses pengambilan data 2bitBP

Gambar yang didapat pada titik yang dekat dengan

trajectory tracking menjadi gambar yang positif dan gambar yang kemiripan mendekati objek atau berada jauh dari trajectory tracking akan menjadi gambar negatif. Proses ini akan meningkatkan kerja dari proses detection.

3.2.3 Deteksi

Bila pada trajectory tracking jalur trajectory tidak didapatkan target, maka dimulai proses detection. Pada proses deteksi digunakan metode matching image dengan data 2bit Binary Pattern.

Gambar 6 Proses scanning

Gambar yang mendekati target akan dikumpulkan, lalu diuji kembali apakah mendekati target hingga >80%. Bila didapatkan yang mendekati target, maka proses tracking akan kembali berjalan. Bila tidak, maka sistem deteksi terus berjalan dengan perubahan skala.

3.3 Perancangan Perangkat Keras

Secara garis besar perancangan perangkat keras merupakan pembuatan robot penggerak kamera pemantau yang dapat menggerakan kamera pemantau. Robot ini dirancang dengan spesifikasi sebagai berikut :

a. Konfigurasi robot yang digunakan adalah konfigurasi spherical. Pemilihan konfigurasi tersebut supaya kamera pemantau dapat bergerak secara spherical.

b. Robot penggerak kamera pemantau ini menggunakan open loop system untuk sistem kontrol geraknya. Digunakan motor stepper sebagai penggerak serta tidak ada sensor untuk feedback-nya.

c. Robot ini juga dirancang untuk bisa melakukan komunikasi serial.

4. PENGUJIAN SISTEM DAN ANALISIS

Pengujian dilakukan untuk mengetahui kinerja sistem yang telah dibuat. Pengujian yang dilakukan terdiri dari Pengujian terhadap target yang mendekati kamera dan menjauhi kamera dengan berbagai variasi kecepatan gerak

4.1 Pengujian pada kamera diam Penguian secara pasif untuk mengetahui performansi

awal dari sistem.

4.1.1 Pengujian pada target tidak berpindah posisi

Pengujian ini dilakukan dengan menguji keakuratan pada target yang tidak berpindah posisi dari pantauan kamera. Target mennggerakkan kepala seperti merubah arah pandang.

Gambar 7 Contoh pengujian dengan kamera diam


Tabel 2 pengujian pasif terhadap target sebanyak 100 frames berurutan

4.2 Pengujian pada kamera bergerak

Pengujian dilakukan untuk mengetahui kinerja sistem aktif yang telah dibuat.

4.2.1 Pengujian untuk target yang selalu terjangkau

Pengujian dilakukan dengan sistem penuh dan penggerak kamera. Target bergerak bebas tetapi selalu dalam jangkauan kamera. Hal ini untuk menguji kemampuan sistem dan penggerak kamera untuk penjejakan dalam waktu singkat

Tabel 3 Pengujian sistem dengan kamera aktif terhadap target selalu terjangkau sebanyak 100 frame berurutan

target jumlah frame

sukses

jumlah frame

gagal

76 24

48 52

55 45

53 47

67 33

51 49 .

5. PENUTUP

5.1 Kesimpulan

Dari algoritma ini didapatkan beberapa kesimpulan 1. Proses identifikasi terhadap suatu objek dapat

dilakukan secara real time, tidak membutuhkan data sebelumnya.

2. Sistem dapat mengenali target yang berada di antara beberapa target yang memiliki kemiripan hingga 70% pada 2-bit binary patern.

3. Target sejauh dua meter yang bergerak lebih cepat dari 0.3m/s akan sulit dijejak, tetapi yang bergerak teratur dapat dijejak dengan baik.

4. Perubahan cahaya yang signifikan dari gelap ke terang akan mengganggu sistem dalam mengenali target, didapatkan nilai kesalahan yang besar dalam pengujian.

5. Pengujian yang dilakukan menunjukkan ketelitian minimum sebesar 36% untuk menjejak objek yang kecil.

6. Pengujian terbaik dilakukan pada objek yang terlihat berbeda dengan latar dengan ketilitian mencapai 60% untuk menjejak objek yang berukuran cukup besar

7. Sistem penggerak dilakukan dengan komunikasi serial searah untuk menghemat beban komputasi.

5.2 Saran

Beberapa saran yang dapat penulis berikan untuk

pengembangan Tugas Akhir sebagai berikut :

1. Sistem ini dirancang untuk pengawasan dalam waktu yang lebih lama

2. Algoritma ini digunakan untuk menjejak target yang diinginkan lebih dari satu

DAFTAR PUSAKA [1] Rinaldi Munir, Pengolahan Citra Digital dengan

Pendekatan Algoritmik (Bandung : Informatika, 2004)

[2] Bradski, Gary dan Adrian Kaehler, Learning OpenCV, Amerika Serikat : O’Reilly Media, 2008

[3] Paul N. Sandin, Robot Mechanisms and Mechanical Devices Illustrated, (Amerika Serikat : McGraw Hill, 2003)

[4] Bejo, Agus, C dan AVR Rahasia Kemudahan Bahasa C dalam Mikrokontroler ATMega8535, Yogyakarta : Graha Ilmu, 2008.

[5] Dorf, Richard C, The Electrical Engineering Handbook, CRC Press LLC, 2000.

[6] Paul Scherz, Practical Electronics for Inventors, (Amerika Serikat : McGraw-Hill, 2000)

[7] ____,ATtiny2313,http://www.atmel.com/dyn/resources/prod_documents/doc2543.pdf, Desember 2011

[8] Martono, Rancang Bangun Robot Penggambar Berdasarkan Visualisasi Kamera, Tugas Akhir, Surabaya : Institut Teknologi Sepuluh Nopember, 2008

[9] Z. Kalal, J. Matas, dan K.Mikolajczyk, P-N Learning : Bootstrapping Binary Classifiers by Structural Constraint. CVPR, 2010

[10] _,ULN2803_ULN2804,http://www.onsemi.com/pub_link/Collateral/ULN2803-D.PDF, Desember 2011

target jumlah frame

sukses

jumlah

frame gagal

90 10

62 38

69 31

60 40

85 15

60 40


BIODATA PENULIS

Ari Taufiq Ismail Nasution dilahirkan di Medan, 14 Desember 1985. Anak pertama dari empat bersaudara dari pasangan Ahmad Suleman Nasution dan Nurhasanah Aritonang. Penulis menyelesaikan pendidikan dasar di SDN 142569 Panyabungan, kemudian penulis menyelesaikan pendidikan

menengah di SMPN 1 Padangsidimpuan dan SMAN 2 Sipirok. Pada 2004 , Penulis memulai pendidikan di jurusan Teknik Elektro, Fakultas Teknologi Industri, Institut Teknologi Sepuluh Nopember.

pengembangan sistem identifikasi objek bergerak dengan ... · proceeding seminar tugas akhir...

Documents