Anda di halaman 1dari 10

PENDETEKSIAN KORBAN BENCANA GEMPA PADA ROBOT iSRo-G2 BERBASIS COMPUTER VISION MENGGUNAKAN ANALISA PENDETEKSIAN ANT COLONY

OPTIMIZATION (ACO)
Deny Satrya Irawan , Teknik Mekatronika, Electronics Engineering Polytechnic Institute of Surabaya (EEPIS), Indonesia. (Email: denyn f@gmail.com).

ABSTRAK---Proses pendeteksian korban bencana alam oleh robot masih menjadi masalah yang perlu di berikan perhatian khusus. Hasil pendeteksian dengan image processing masih belum menunjukkan data yang akurat. Kebanyakan robot rescue belum bisa memberikan informasi yang maksimal tentang keberadaan korban bencana. Makalah ini mengusulkan sebuah pendeteksian korban bencana gempa dengan menggunakan Ant Colony Optimization (ACO) untuk robot pencari korban gempa iSRo-G2. Ant Colony Optimization (ACO) merupakan salah satu metode metaheuristik yang menerapkan semut sebagai agen dengan update Pheromone-nya untuk dapat melakukan proses pencarian solusi yang efektif dan efisien. Dengan menggunakan metode tersebut robot bebasis Computer Vision ini diharapkan dapat memiliki kemampuan untuk mendeteksi keberadaan korban bencana dengan waktu yang singkat, Sehingga robot dapat memberikan informasi tetang keberadaan korban kepada tim penyelamat. Robot ini akan dilengkapi sensor-sensor pendukung dalam pendeteksiannya. Diharapkan sensor-sensor tersebut mampu membantu robot dalam memberikan data, sehingga data yang diterima. Kata Kunci : Ant Colony Optimization (ACO), Robot Rescue, Image Processing, Computer Vision. 1. PENDAHULUAN

identifikasi korban bencana alam yang dilakukan robot iSRo-G2 mampu mendeteksi dan mengenali ada atau tidaknya korban. Maka

Robot yang berbasis vision memiliki perangkat akuisisi citra seperti contohnya webcam sebagai sebuah mata, ataupun sensor khusus kamera CMUCAM. Robot memerlukan sebuah mata untuk mendapatkan atau mencari sebuah informasi. Informasi tersebut diolah oleh robot sehingga dapat memberikan petunjuk yang berguan untuk proses pendeteksian. Perlunya suatu robot vision pada robot otonomos iSRo-G2 yaitu agar dapat membantu robot otonomos iSRo- G2 mempercepat proses pencarian korban akibat bencana alam tsunami dan gempa bumi. Oleh karena itu diperlukan suatu mata dalam proses pendeteksian sampai pengenalan objek apakah benar ada korban atau bukan korban. Dalam proses pendeteksian diperlukan suatu metode agar proses

sebelum dilakukan proses pengenalan dilakukan proses pendeteksian yaitu dengan proses tracking korban berdasarkan parameter sumber tandatanda kehidupan yaitu baik berupa bentuk, gerakan, suara, ataupun suhu. Salah tujuan dari proyek ini adalah memperbaiki kinerja robot iSRo-G1 khususnya di bidang image processing. Proses pengenalan pada robot iSRoG1 menggunakan metode Fuzzy C Means, dimana hasilnya belum maksimal untuk mendapatkan data. Oleh karena itu, dilakukan perubahan metode dalam robot iSRo-G2 demi memaksimalkan pendeteksian korban. Untuk proses pengenalan suatu korban setelah proses tracking korban tadi ditemukan, maka dilakukan proses pengenalan objek apakah benar objek yang ditangkap berupa manusia atau bukan manusia. Dan untuk proses pengenalan pada iSRo-G2 menggunakan Ant Colony Optimization (ACO). Pada proses pengenalan dilakukan pengenalan Korban (manusia) melalui proses deteksi warna untuk dapat membedakan warna kulit dan yang bukan warna kulit manusia. Maka untuk pengenalan warna kulit dan yang bukan kulit menggunakan teknik skin detection, warna mana yang kulit dan yangbukan kulit manusia, yaitu dengan menggunakan ACO. Algoritma ACO ini cukup untuk dapat mengatasi masalah pengenalan warna pada robot otonomos iSRo-G2 ini. Ant Colony Optimization (ACO) merupakan salah satu metode metaheuristik yang menerapkan semut sebagai agen dengan update Pheromone-nya untuk dapat melakukan proses pencarian solusi yang efektif dan efisien. Semut akan mampu menemukan jalur terpendek untuk menemukan makanan dengan bantuan Pheromone. Walaupun sebelumnya semutsemut itu harus mencoba berbagai jalur terlebih dahulu sebelum akhirnya berhasil menemukan jalur terpendek. 2. DISAIN DAN APLIKASI SISTEM Robot menggunakan dua buah sensor, keduanya adalah sensor Pir untuk mengetahui nilai thermal manusia dan sensor untuk melihat/menangkap gambar berupa kamera. Sedangkan untuk aktuator robot menggunakan motor servo (tipe HS 645 MG dan HS 7955 TG ). Skema kontrol dari iSRo-G2 robotr dan koneksinya dapat dilihat Pada Gambar 2.1 di bawah ini.

Pada robot iSRo-G2 mempunyai 4 sendi yang masing-masing terdiri dari motor servo. Berikut pada Gambar 2.4 disain lengan kamera.

Gambar 2.4 Disain lengan Kamera robot iSRoG2 Gambar 2.1 (a). Skema kontrol lengan kamera iSRo-G2 (b). Koneksi sensor dan aktuator ke ATmega32 2.1 Disain dan Aplikasi Mekanik Rescue robot yang dibuat adalah semacam robot tank dengan tambahan 4 buah flipper di masingmasing ujung bagian robot. Hal ini bertujuan agar dapat membantu pergerakan robot dalam melewati daerah terjal atau reruntuhan. Serta mengurangi terjadinya slip pada waktu melewati daerah terjal. Motor-motor Vexta akan ditempatkan sebagai sendi-sendi robot. 2.2 Disain dan Aplikasi Software Pada robot iSRo-G2 untuk memaksimalkan pendeteksian, maka digunakan sistem kecerdasan buatan yaitu Ant Colony Optimization. Proses Skin detection sangat memiliki keterbatasan pendeteskian. Oleh karena itu perlu di tambahkan sensor PIR untuk menangkap suhu tubuh manusia. Sehingga pendeteksian menjadi optimal. Pada Berikut Gambar 2.4 untuk proses skin detection :
camera Frame Captur

adalah Schematic

Get RGB pixel

Convert to HSV

Frame Output(skin capture)

Erode

Dilate

Set H,S,V min, set

Gambar 2.4 Gambar skematik proses skin detection Gambar 2.2 Desain Robot iSRo-G2 dalam CAD Pada Gambar 2.2 adalah disain robot iSRo-G2 dalam rancangan CAD.Terdapat lengan berkamera untuk membantu proses pendeteksian korban bencana gempa.berikut tampak disain iSRo-G2 tampak depan pada Gambar 2.3 di bawah ini. Algoritma skin detection 1. Pertama gambar dengan konfigurasi RGB tiap pixel-nya dikonversi ke HSV color space, karena nilai HSV ini lebih berkaitan dengan presepsi warna manusia. 2. Kulit dengan channel H ditandai oleh nilai rata-rata antara 0 sampai dengan 50 (dianjurkan memakai range nilai antara 638 saja), sedangkan untuk channel S 0.23-0.68 untuk Asia dan caucasian ethnics . 3. Seperti yang kita ketahui bersama, bahwa kecepatan capture tidak dapat realtime. Kecepatan capture selalu terlambat dari aslinya, atau bisa dikatakan t-1. Dan apabila program terlalu banyak

Gambar 2.3 Robot iSRo-G2 tampak samping

keterlambatan capture gambar bisa t-5 atau lebih. Berikut adalah Gambar 3.16 hasil capture dari kamera webcam :

Gambar 2.7 Gambar biner 0 dan1 untuk skin detection 2.5 Perancangan metode Ant Colony Optimization(ACO) Penggunaan metode ACO bertujuan untuk mendapatkan range deteksi yang terpendek dengan mengoptimasi input-input yang berupa koordinat x,y dari titik tengah gambar. Sehingga pegerakan kamera bisa lebih efisien dan mempercepat pendeteksian. Algoritma ini adalah inti dari sistem yang sedang dibangun. Algoritma semut mengikuti skema berikut dan flowchart dapat dilihat pada Gambar 2.8 : Procedure ACO Penetapan parameter, inisialisasi pheromone trail While (sebelum memenuhi kondisi yang diinginkan)do Bagun solusi Cari solusi terbaik Update pheromon endwhile End Procedure Gambar 2.6 Gambar konversi RGB ke HSV 5. Gambar 2.7 berikut adalah gambar yang mengilustrasikan gambar perantara, dimana semua pixel yang diklasifikasikan sebagai kulit (menggunakan kisaran nilai di channel H yang sudah ditetapkan), yang diatur ke nilai 255, dan pixel non- kulit tetap menjadi 0. Pada perancangan algoritma ini terlebih dahulu harus menentukan input awal berupa koordinat deteksi yang berbentuk data X,Y. pada proses pendeteksian kulit, data titik tengah yang didapatkan banyak sekali di karenakan kamera tidak bisa langsung mendeteksi keberadaan korban sehingga kamera bergerak secara acak untuk mendapatkan titik tengah dari korban. Dalam perhitungannya, metode ini mempunyai langkahlangkah untuk pengoptimasiannya. Berikuat adalah langkah-langkah perhitungannya : - Inisialisasi harga parameter-parameter algoritma -Intensitas jejak semut antar state dan perubahannya (ij) - Visibilitas dari suatu solusi yang akan dipilih oleh semut (ij) - Tetapan pengendali intensitas jejak semut (), nilai 0 - Tetapan pengendali visibilitas (), nilai 0 - Tetapan siklus semut (Q)

Gambar 2.5 Gambar hasil capture webcam 4. Gambar 2.6 dibawah ini menunjukkan gambar yang sama, tetapi dengan format konversi dari RGB ke HSV color space.

- Banyak semut (m) - Banyak state (n) - Tetapan penguapan jejak semut (),nilai 0 > >1 - Jumlah siklus maksimum NCmax Dari tahap di atas di dapatkan inisialisasi awal sebagai berikut : - ij awal = 0,01 - =1 - =1 -Q =1 - = 0,5 - kemudian untuk nilai ij,m, n, NCmax akan selalu berubah sesuai banyaknya koordinat X,Y yang dihasilkan serta bergantung pada jumlah siklus yang kita inginkan. Hingga akhirnya di dapatkan hasil terpendek dari deteksi kamera tersebut.

Software dan peralatan yang digunakan adalah Logitech webcam 1,3 megapixel, Usb to serial dan Visual Studio 2008. Tujuan pengujian ini untuk mengetahui algoritma dari skin detection yang digunakan apakah sesuai dengan teori atau tidak sebelum di integrasikan dengan sistem deteksi secara keseluruhan. Serta menguji kemampuan dan kecepatan kamera dalam mengcapture gambar. Adapun blok diagram pendeteksian ini pada Gambar 2.9
Webcam PC Output

Gambar 2.9 Blok diagram skin detection Pada gambar di atas menunjukkan bahwa input dari webcam akan diproses untuk mendapatkan output, kemudian hasilnya dapat diolah lagi untuk hasil yang lebih lanjut. Tabel 3.1. Pengujian pendeteksian objek (warna kulit ) menggunakan ACO.
Nilai (cX,c Y) Nilai Sens or Pir 0

Hasil Capture

Keterang an

X=3 c 00; cY=1 81

Dilakukan pada siang hari mengguna kan kardus dan kayu

c X=1 13; cY=3 43;

Gambar 2.8 Flowchart Algoritma ACO

Dilakukan dengan mengguna kan gabus dan kainkain yang mirip dengan warna kulit

3. HASIL DAN ANALISA

=3 cX 20342; cY=2 12251;

Pengujian dilakukan pada korban di malam hari

c X=2 90; cY=3 28;

Pengujian pada siang hari dengna jarak 5 meter terhadap korban

cX =3 06; cY=3 16;

Pengujian dilakukan dengan backgroun d yang complexs

X=2 c 40; cY=1 68;

Pengujian dilakukan pada malam hari dengan banyak korban

cX=3 20; cY=2 12;

Pengujian dilakukan dengan manusia dan warna obyek yang mendekati manusia (Kardus,K ayu)

cX=0; cY=0;

Pengujian dilakukan pada tempat gelap dan ada manusia

cX=2 24; cY=3 67;

Pengujian pada sore hari dengan jarak 3 meter

Pendeteksian gabungan ini sangat berguna sekali untuk menunjang kekuatan data masing masing sensor. Maksudnya apabila salah satu sensor tidak bisa memberikan data, sensor satunya mampu memberikan data manusia yang diharapkan. Dari Tabel 3.1 dapat kita lihat ketika kamera mendeteksi sebuah kardus berwarna seperti kulit, kamera bingung harus memberi aksi apa setelahnya. Karena Output yang diharapkan kamera harus murni mendapatkan HSV dari kulit manusia. Maka dari itu adanya sensor Pir dapat membantu Kamera untuk memberi keputusan, apakah obyek itu manusia atau bukan manusia. Kemudia hasil yang di dapatkan itu adalah warna kulit manusia tetapi bukan manusia. Kemudian ketika melihat hasil berdasarkan tabel diatas, robot

harus bisa memberi keputusan ketika robot telah mendeteksi obyek yang kompleks. Terbukti ketika robot mendeteksi obyek yang kompleks yang terdiri dari beberapa kayu dan gabus berwarna seperti kulit manusia, robot berhasil membedakan antara manusia dan yang bukan. Kemudian tampak jelas bahwa pendeteksian di tempat gelap seperti pada tabel di atas. Pada awalnya sengaja di posisikan korban di area tidak jauh dari robot. Kemudian lampu dimatikan dan kamera tidak bisa mendeteksi sama sekali, akan tetapi sensor Pir berfungsi sekali. Ketika di tempat gelap dan ada korban yang tidak terdeteksi oleh kamera, sensor Pir memberikan data 1 yaitu menunjukkan adanya korban. Karena sensor ini mampu menangkap suhu thermal manusia dalam keadaan terang atau gelap. 4. ANALISA DENGAN ACO

Gambar 2.10 Pendeteksian Korban Pada pendeteksian ini didapatkan nilai titik tengah seperti di Gambar 2.11. Dari gambar tersebut dapat terlihat bahwa pergreakan kamera sangatlah acak sekali dan terlihat kurang efisien. Kemudian koordinat-koordinat titik tengah tersebut di jadikan input untuk perhitungan pencarian jalur terpendek terlihat pada Gambar 4.6. Nilai jalur terpendek sepanjang 963.0136 dengan Ncmax=10.

Dalam menganalisa pergerakan gerak webcam digunakan metode pencarian jalur terpendek yaitu Ant Colony Optimization (ACO). Software yang digunakan adalah Matlab 7.1 . Sebenarnya software yang digunakan adalah Visual Studio 2008, akan tetapi Listing program Ant Colony ini memakan memory yang sangat besar sehingga harus terpisah. Input didapatkan dari inisialisai parameter, dan disini input yang digunakan adalah koordinat titik tengah yang di peroleh dari Capture warna kulit melalui webcam. Pada percobaan pertama akan didapatkan koordinat dari pendeteksian korban seperti Gambar 2.10 di bawah. Pergerakan kamera dalam mendeteksi sangatlah acak dan memiliki range deteksi yang melebar. Oleh karena itu dengan metode ini akan di dapatkan nilai range deteksi yang optimal walaupun hasilnya hanya dapat di lihat secara offline. Namun hal ini sudah cukup untuk menganalisa pergerakan tanpa metode dan dengan metode. Pada peggunaan analisa Ant Colony Optimization di sini, sebelumnya mempunyai inisialisasi parameter yang di tetapkan terlebih dahulu. Berikut di bawah ini adalah inisialisasi yang di dapatkan : - ij awal = 0,01 (Feromon awal) - =1 - =1 -Q =1 - = 0,5 Parameter-parameter di atas akan tetap besarnya dalam setiap perhitungan yang digunakan. Kecuali ij, di sini ij akan berubah secara bertahap ketika sudah menempuh satu kali siklus.

Gambar 4.6 Hasil ACO dengan NC=10 Pada Gambar 4.6 terlihat hasil pemberian NC=10 masih belum menunjukkan data yang bagus untuk pergerakan kamera. Karena Iterasi yang sedikit mengakibatkan data tidak ter-update secara maksimal. Dapat dilihat pada Gambar 4.7, bahwa pergerakan kamera yang diberikan belum menunjukka hasilyang simple.
400 The shortes t path of c amera movement

350

Y Coordinate (pix el)

300

250

200

150 200

250

300 350 X Coordinat e (pix el )

400

450

Gambar 4.7 Grafik hasil ACO untuk Kamera

1900 1800 1700 1600

Average & B est Lengt h

Path Length

1500 1400 1300 1200 1100 1000 900

6 1 7 1 8 1 9 2 0

01 0, 01 0, 01 0, 01 0, 01

1 1 1 1

1 1 1 1

95 0, 5 0, 5 0, 5 0, 5

100 100 100 100

1 0 5 0 1 0 0 2 0 0

378 660,8 831 669,9 505 671,3 307 690,0 046

5 6 Iterat ion Number

10

Gambar 4.8 Grafik Rata-rata dan jalur terbaik Pada Gambar 4.8 menunjukkan bahwa untuk mendapatkan jalur tebaik masih memerlukan waktu iterasi yang belum stabil. Jalur terbaik untuk Ncmax = 10 di dapatkan ketika tepat pada iterasi ke-10 seperti terlihat pada gambar grafik diatas. Berikut pada Tabel 4.1 adalah data percobaan dengan bergai mavcam perubahan parameter ACO.

Pada Tabel 4.1 diatas terlihat perubahanperubahan nilai panjang jalur. Jalur terpendek dari perubahan parameter di atas didapatkan ketika ij = 0,01, = 1, = 6, = 0,5, Ncmax = 100, Q = 1, dengan panjang jalur 644,5260. Pada kasus ini perubahan nilai berpengaruh paling dominan terlihat dan perubahannya tetap membuat stabil panjang jalur yang dihasilkan. 5. KESIMPULAN

Tabel 4.4 percobaan perubahan parameter ACO


N o 1 2 3 4 5 6 7 8 9 1 0 1 1 1 2 1 3 1 4 1 5 1 ij 0, 01 0, 01 0, 01 0, 01 0, 01 0, 01 0, 01 0, 01 0, 01 0, 01 0, 01 0, 01 0, 01 0, 01 0, 01 0, 1 1 1 1 2 3 7 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 3 6 8 1 0 1 1 1 1 0, 5 0, 5 0, 5 0, 5 0, 5 0, 5 0, 5 0, 5 0, 5 0, 5 0, 5 0, 5 0, 1 0, 3 0, 8 0, NC max 10 50 100 150 100 100 100 100 100 100 100 100 100 100 100 100 Q 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 Panja ng Jalur 834,5 5891 675,0 297 664,0 509 663,0 538 691,8 920 755,8 895 690.3 257 699,1 237 650,8 944 644,5 260 649,1 550 667,1 328 662,1 047 689,5 787 669,6 833 763,0

Dari hasil pengambilan data dan maka dapat disimpulkan : 1. Pengambilan data dari kamera masih tidak dapat membedakan warna kulit dengan objek yang berwarna cokelat. 2. Perlu di klasifikasikan lagi antara warna kulit dengan warna objek cokelat, agar hasil yang di dapatkan lebih baik. 3. Sensor Pir membantu kinerja kamera untuk mengenali korban. Serta mampu mendeteksi sampai jarak 3 - 3,5m. 4. Ant Colony Optimization memberikan solusi untuk mendapatkan range deteksi terpendek dari kamera. Jalur terpendek dari perubahan parameter di atas didapatkan ketika ij = 0,01, = 1, = 6, = 0,5, Ncmax = 100, Q = 1, dengan panjang jalur 644,5260. 6. DAFTAR PUSTAKA

[1]Achmad Basuki, 2005, Pengolahan Citra digital menggunakanVisual Basic, Graha Ilmu, Yogyakarta. [2] Deneubourg J.L., Goss S., Franks, N. SendovaFranks A., Detrain C., and Chtien L, 1991, The Dynamics of Collective Sorting: Robotlike Ants and Ant-like Robots, In Proceedings of the 1st International Conference on Simulation of Adaptive Behavior: From Animals to Animats,. MIT Press, Cambridge, MA, USA, 1:356-363. [3]Suprihatin Resmah, Dewi, 2004Perancangan dan Implementasi RobotBanteng yang Mengikuti Warna Merah Sebagai AcuanPergerakannya. Proyek Akhir PENS- ITS, Surabaya.

[4]AndreasBirk,HolgerKenn,andThomas,1998.Ro boCube:anuniversalspecialpurposehardwarefortheRoboCupsmallrobotsl th eague.In 4 InternationalSymposiumonDistributedAutono mousRoboticSystems.Springer,Berlin. [5] Bachtian, Novan. Andi Nalwan, Paulus, 2003 Teknik Antarmuka dan PemrogramanMikrokontroller AT89C51, PT. Elex Media Komputindo, Jakarta. [6]Praditya, Angga (Agustus 2009), Penerapan Algoritma Backporpagaiton pada jaringan syaraf tiruan untuk mendeteksi wajah manusia, Tugas Akhir D4 Lintas Jalur, Politeknik Elektronika Negeri Surabaya Institut Teknologi Sepuluh Nopember, Surabaya. [7] Bares, D., Wettergreen, J. an. Dante II, 1999: Technical de-scription, results and lessons learned. InternationalJournal of Robotics Research,18(7):621-649. [8] Sttzle, T., and Dorigo, M., 2002, A Short Convergence Proof for a Class of ACO Algorithms, IEEE Transactions on Evolutionary Computation, Berlin,6(4). [9] Bachtian Novan, Andi Nalwan, Paulus, 2003 Teknik Antarmuka dan PemrogramanMikrokontroller AT89C51, PT. Elex Media Komputindo. [10] M. Dorigo, V. Maniezzo, and A. Colorni, 1996, Ant System: Optimization by a Colony of Cooperating Agents, IEEE Transactions on Systems, Man and Cybernetics,Berlin, Part B, vol. 26, pp. 2941. [11] M. Dorigo and T. Sttzle, 2001 An Experimental Study of the Simple Ant Colony Optimization Algorithm, Proceedings of the WSES International Conference on Evolutionary Computation. Berlin. [12] V. Ferrari, T. Tuytelaars, and L. V. Gool, 2004 Simultaneous object recognition and segmentation by image exploration, in Proc. Eighth European Conf. Computer Vision, New York. [13] Bradski, Gary and Kaebler, Adrian. 2008,Learning OpenCV : Computer Vision with the OpenCV Library. OReilly Media, Inc. Cambridge, USA.

[14] Lubis, Risa Indah Agustriany. 2009. Pengendali Pointer Dengan Gaze Tracking Menggunakan Metode Haar Cascade sebagai Alat Bantu Presentasi ( Eye Pointer ). Politeknik Elektronika Negri Surabaya :

Surabaya.