Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X

Vol. 3, No. 8, Agustus 2019, hlm. 8031-8036 http://j-ptiik.ub.ac.id

Sistem Tracking Objek Menggunakan Metode Edge Detection pada

Quadcopter
Dimas Bagus Jatmiko1, Gembong Edhi Setyawan 2, Hurriyatul Fitriyah3

Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1dhimasbagusj@gmail.com, 2gembong@ub.ac.id, 3hfitriyah@ub.ac.id
Abstrak

Tracking objek biasanya digunakan untuk mengetahui posisi objek dan kondisi lingkungan di
sekitar objek tersebut. Objek yang membutuhkan pengawasan agar dapat berjalan sebagaimana
mestinya membutuhkan sistem untuk mengawasi objek tersebut. Quadcopter merupakan salah satu jenis
UAV (Unmanned Aerial Vehicle) yang dapat melakukan beberapa gerakan (pitch, yaw, roll and gaz).
Dengan kamera pada quadcopter, setiap gerakan dari objek akan diketahui langsung melalui citra
kamera. Sehingga dalam penelitian ini dibuatlah sistem untuk mendeteksi dan melakukan tracking
terhadap objek. Menerapkan sistem pendeteksi objek berbasis pengolahan citra menggunakan metode
shape detection. Kemudian menampilkan hasil deteksi pada frame image yang dibagi menjadi 9 grid
dan melakukan tracking objek berupa gerak maju, gerak mundur, gerak naik, gerak turun, putar kanan
dan putar kiri. Pengujian dilakukan dengan menguji akurasi tracking objek. Dari pengujian akurasi
tracking objek didapatkan rata-rata keberhasilan 76,6%, kegagalan sebesar 23,4% disebabkan oleh
pencahayaan dalam ruangan yang tidak menentu dan benda dengan bentuk menyerupai objek yang di
tracking.

Kata kunci: Shape detection, Deteksi, Tracking, Quadcopter

Abstract
Tracking objects are usually used to determine the position of objects and environmental conditions
around the object. Objects that require supervision to be able to run properly require a system to
monitor the object. Quadcopter is a type of UAV (Unmanned Aerial Vehicle) that can do several
movements (pitch, yaw, roll and gaz). With a camera on a quadcopter, every movement of the object
will be known directly through the camera image. So that in this study a system was created to detect
and track objects. Applying an image processing system based on image processing using the shape
detection method. Then displays the detection results in the frame image which is divided into 9 grids
and tracks the object in the form of forward, backward, upward, downward, turn right and turn left.
System will be tested based on tracking accuracy of objects. From the testing of object tracking accuracy
obtained an average success of 76,6%, failure of 23,4% caused by uncertain lighting in the room and
objects with shapes resembling objects that are tracking.
Keywords: Shape detection, Detection, Tracking, Quadcopter

1. PENDAHULUAN video, terdapat pada bagian depan dan bawah

quadcopter.
Quadcopter merupakan salah satu jenis
Objek maupun target yang membutuhkan
UAV (Unmanned Aerial Vehicle) yang dikenal
pengawasan dan perlu dimonitor agar berjalan
dengan kemampuannya melakukan take-off
sebagaimana mestinya membutuhkan sistem
secara vertical, malakukan beberapa gerakan
untuk mengontrol dan mengawasi objek
(pitch, yaw, roll) dan landing secara vertical.
tersebut. Oleh karena itu, perlu adanya system
Quadcopter mempunyai kompleksitas yang
tracking untuk mengatasi masalah tersebut.
cukup baik dalam bentuk model maupun
Tracking objek digunakan untuk mengetahui
pengendalian gerakan, menggunakan 4 motor
posisi objek dan kondisi lingkungan di sekitar
brushless sebagai penggerak utama (Hamdani,
objek tersebut. Dalam beberapa penelitian
2013). Pada salah satu UAV jenis quadcopter,
sebelumnya, tracking objek dilakukan dengan
yaitu AR.Drone telah dilengkapi kamera yang
menggunakan GPS (Global Positioning System)
dapat menangkap gambar maupun merekam
untuk mengetahui posisi objek. Kamera

Fakultas Ilmu Komputer

Universitas Brawijaya 8031
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
merupakan alat yang tepat untuk mengetahui
posisi objek. Setiap perubahan posisi objek akan
diketahui langsung melalui pencitraan dari
kamera, serta dapat menangkap suatu objek yang
ada di depan kamera, mengidentifikasi jenis,
bentuk serta melakukan tracking objek.
(Hendy Mulyawan, 2016) menggunakan
kamera webcam untuk melakukan pengambilan
citra sehingga akan didapatkan hasil gambar
objek. Lalu gambar objek tersebut diproses
menggunakan metode template matching untuk
mendeteksi dan melakukan tracking objek dari
gambar tersebut. Hasilnya, dapat mendeteksi dan
melakukan tracking objek secara real-time.
Namun dalam penelitian tersebut memiliki
kekurangan, tidak dapat melakukan tracking saat
objek bergerak keluar dari tangkapan webcam.
(Pamungkas, 2017) membangun sistem
yang dapat mendeteksi dan melacak posisi bola
dengan menggunakan image processing.
Memanfaatkan library dari OpenCV yang
diaplikasikan pada platform ROS (Robot
Operating System). Menggunakan beberapa
metode deteksi objek yaitu, hough circle
transform, blob detection, dan camshif.
Hasilnya, rata-rata waktu yang dibutuhkan untuk
mendeteksi bola menggunakan metode hough
circle transform yaitu 0,0054 detik dan
menggunakan metode blob detection yaitu
0,0116 detik. Sistem mampu melakukan
pendeteksian bola yang berdiameter 20 cm
menggunakan metode hough circle transform
dengan jarak 500 cm sedangkan menggunakan
metode blob detection dengan jarak 900 cm.
Keberhasilan saat tracking bola menggunakan
metode camshift dari hasil hough circle transfom
mencapai 100% sedangkan dari hasil blob
detection adalah 96,67%. Sistem mampu
mendeteksi dengan beberapa metode seperti
hough circle transform, blob detection, dan
camshif. Namun objek yang digunakan hanya
terbatas pada bentuk bola.
Berdasarkan permasalahan dan kekurangan
dari penelitian tersebut maka pada penelitian ini
dibuat sebuah sistem untuk dapat mendeteksi
dan melakukan tracking terhadap objek seperti
segitiga, segiempat dan segilima dengan ukuran
objek yang terlah ditentukan. Menerapkan
sistem pendeteksi objek berbasis pengolahan
citra menggunakan metode shape detection
untuk mendukung pendeteksian objek seperti
segitiga, segiempat dan segilima supaya tidak
menimbulkan kerancuan selama proses deteksi
dan melakukan tracking objek. Kemudian
melakukan tracking objek berupa gerak maju,
Fakultas Ilmu Komputer, Universitas Brawijaya
8032
gerak mundur, gerak naik, gerak turun, putar
kanan dan putar kiri dengan quadcopter.
Pada penelitian ini akan membahas
pengimplementasian metode shape detection
untuk melakukan tracking objek, penentuan laju
kecepatan quadcopter agar quadcopter dapat
melakukan tracking objek dengan stabil, rata-
rata waktu eksekusi, hingga hasil ketepatan saat
melakukan tracking objek.
2. PERANCANGAN DAN
IMPLEMENTASI
Skema perancangan dan implementasi pada
penelitian ini dibagi menjadi dua, yaitu
perangkat keras dan perangkat lunak. Pada
perangkat keras terdapat komunikasi system.
Sedangkan pada perangkat lunak terdapat
deteksi objek dan pergerakan quadcopter,
seperti yang terlihat pada gambar 1.
Gambar 1. Skema Perancangan dan
Implementasi
Langkah awal yang harus dilakukan adalah
komunikasi sistem menghubungkan quadcopter
dengan komputer melalui wifi. Kemudian
deteksi objek dengan mengambil data gambar
dari kamera depan, melakukan proses
pengolahan citra. Kemudian quadcopter akan
melakukan tracking objek.
2.1 Komunikasi Sistem
Dalam perancangan komunikasi sistem,
Membuat kode program dengan menggunakan
bahasa pemrograman C++ merupakan langkat
awal yang harus dilakukan. Pada kode program
tersebut terdapat fungsi sebagai subscriber dari
“driver autonomy_drone” yang digunakan
untuk mengakses data yang terdapat pada
quadcopter. Kemudian mengubah kode program
yang telah dibuat menjadi bentuk node agar
dapat dijalankan pada ROS. Setelah itu,
menggunakan komunikasi Wi-Fi 802.11 b/g/n
untuk mengirimkan program tersebut pada
quadcopter, seperti yang ditunjukkan pada
gambar 2.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 8033

menggunakan persamaan 2:
1 1 1
1
𝐾= [1 1 1] (2)
9
1 1 1
Metode canny edge detection digunakan
Gambar 2. Perancangan Komunikasi Sistem untuk mendeteksi tepian dari objek sehingga
nantinya mempermudah proses pencarian
2.2 Deteksi Objek kontur. Perhitungan tepian menggunakan
Data dari kamera depan quadcopter diproses metode canny edge detection melalui empat
dengan mengubah RGB ke grayscale, tahap, yaitu:
menghilangkan noise dengan blur, mendeteksi 1. Mencari nilai intensitas gradient untuk
tepian dari objek dengan canny edge detection. memperoleh gradient vertical dan horizontal
Kemudian mengenali bentuk objek dari tepian pada setiap tepi menggunakan persamaan 3,
dan jumlah titik puncak dari objek tersebut 4, dan 5.
dengan metode shape detection. Setelah objek −1 0 +1
terdeteksi, maka akan ditampilakan pada frame 𝐺𝑥 = [−2 0 +2] (3)
image seperti yang ditunjukkan pada gambar 3. −1 0 +1
−1 −2 −1
𝐺𝑦 = [ 0 0 0] (4)
+1 +2 +1
𝐺 = √𝐺𝑥 2 + 𝐺𝑦 2 (5)
2. Untuk mendapatkan angle pada tepian, perlu
dilakukan pencari direksi menggunakan
persamaan 6.
𝐺𝑦
𝜃 = arctan 𝐺𝑥 (6)

3. Setelah mendapatkan besaran dan arah

Gambar 3. Diagram Alir Deteksi Objek
Agar objek yang berwarna lebih mudah untuk
dideteksi maka dilakukan perubahan piksel dari
RGB ke Grayscale. Mendapatkan nilai
luminosity dari gambar menggunakan
persamaan 1:
𝐿 = 0.2126 𝑅 + 0.7152 𝐺 + 0.0722 𝐵 (1)
Menghilangkan noise dengan blur
bertujuan agar objek lebih mudah untuk
dideteksi. Mengkonversi nilai blur dengan
averaging, mencari nilai pada setiap piksel
Fakultas Ilmu Komputer, Universitas Brawijaya
gradien, dilakukan pemindaian penuh pada
gambar untuk menghilangkan piksel yang
tidak diinginkan yang mungkin bukan bagian
tepi. Untuk ini, dilakukan pemeriksaan pada
setiap piksel. Titik A berada pada tepian
objek (dalam arah vertikal). Arah gradien
biasanya berada pada tepian objek. Titik B
dan C berada dalam arah gradien. Titik A
diperiksa dengan titik B dan C untuk melihat
apakah itu membentuk maksimum (lokal).
Jika demikian, maka proses akan
melanjutkan ke tahap selanjutnya. Jika tidak
membentuk local maximum, maka akan
diabaikan (nol) seperti yang ditunjukkan
pada gambar 4.
Gambar 4. Non-maximum suppression
Sumber : (OpenCV, 2012)
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
4. Hysteresis thresholding menggunakan dua
thresholds (atas dan bawah), seperti pada
gambar 5. Apabila gradien piksel lebih tinggi
dari ambang atas, maka akan dianggap
sebagai tepi (A). Apabila gradien piksel lebih
rendah dari ambang bawah, maka akan
ditolak dan dianggap bukan tepi (C). Apabila
gradien piksel berada di antara dua ambang,
maka akan dianggap sebagai tepi hanya jika
gradien piksel terhubung (B).
Gambar 5. Hysteresis Thresholding
Sumber: (OpenCV, 2012)
Kontur dapat dijelaskan sebagai kurva yang
dapat menghubungkan semua titik-titik kontinu
pada gambar, memiliki intensitas atau warna
yang sama. Kontur dapat digunakan untuk
menganalisis bentuk dan mengenali objek
(OpenCV, 2012). Kontur adalah tepian dari
bentuk objek dengan intensitas yang sama.
Metode ini digunakan untuk melakukan analisa
dan mendeteksi bentuk objek pada gambar.
Dalam OpenCV, FindContours merupakan
salah satu fungsi menemukan kontur seperti
mencari objek dari background. Ada 3 elemen
dalam FindContours yaitu gambar sumber,
mode pengambilan kontur dan metode
pendekatan kontur. Menggunakan metode
contour approximation. Menyimpan koordinat
(x,y) dari tepian bentuk tersebut.
Metode shape detection adalah metode yang
digunakan untuk mengetahui bentuk objek yang
telah dideteksi dengan menggunakan
perhitungan titik puncak (vertice) dari canny
edge detection yang telah mendeteksi tepian
objek. Metode ini merupakan implementasi dari
algoritma Douglas-Peucker. Algoritma
Douglas-Peucker adalah algoritma yang dapat
digunakan untuk meningkatkat proses
pengolahan citra menjadi lebih baik. Algoritma
ini digunakan untuk menentukan jalur pada
sebuah peta yang mempunyai fitur zoom. Hanya
menyimpan titik-titik tertentu dan dianggap
penting sebagai jalur pada sebuah peta yang akan
digambar dengan memanfaatkan fitur zoom in
(diperkecil), maka jalur pada sebuah peta yang
akan digambar terlihat lebih kecil (Stefano,
2016).
Fakultas Ilmu Komputer, Universitas Brawijaya
8034
2.3 Pergerakan Quadcopter
Membuat sebuah frame untuk mendeteksi
objek yang diambil dari data kamera depan
quadcopter. Frame yang digunakan untuk
menampilkan posisi objek berukuran 660x480.
Membagi frame menjadi sembilan bagian (grid)
untuk mempermudah proses pendeteksian objek.
𝑠𝑢𝑚𝑏𝑢 𝑥
𝑠𝑢𝑚𝑏𝑢 𝑥 = (7)
3
𝑠𝑢𝑚𝑏𝑢 𝑦
𝑠𝑢𝑚𝑏𝑢 𝑦 = (8)
3
Menggunakan persamaan 7 untuk membagi
sumbu x menjadi 3 bagian, masing-masing
bagian dari sumbu x mempunyai ukuran 220
piksel. Sedangkan pada sumbu y membagi
menjadi 3 bagian menggunakan persamaan 5.2,
masing-masing bagian dari sumbu y mempunyai
ukuran 160 piksel. Sehingga sumbu x adalah
range 0-220, range 221-440, dan range 441-660.
Sedangkan pada sumbu y adalah range 0-160,
range 161-320, dan range 321-480. Pada
gambar 6 menunjukkan pembagian area dari
setiap grid pada sumbu x dan sumbu y.
Gambar 6. Area Deteksi
Setelah mendapatkan bentuk objek dari
hasil pengolahan citra dengan menggunakan
metode shape detection, selanjutnya adalah
mencari koordinat dari titik tengah objek sebagai
perintah untuk mengatur pergerakan dari
quadcopter sesuai dengan posisi grid
terdeteksinya koordinat titik tengah objek.
Mencari titik koordinat objek diawali
dengan membuat bounding rectangle pada
kontur yang telah ditemukan. Kemudian
menggunakan persamaan (9) dan (10) untuk
menghitung koordinat titik tengah objek:
𝑟.𝑤𝑖𝑑𝑡ℎ
𝑥 = (𝑥𝑜𝑏𝑗 + ( )) (9)
2
𝑟.ℎ𝑒𝑖𝑔ℎ𝑡
𝑦= (𝑦𝑜𝑏𝑗 + ( )) (10)
2
Dimana:
(𝑥, 𝑦) : koordinat titik tengah objek
(𝑥𝑜𝑏𝑗 , 𝑦𝑜𝑏𝑗 ) : koordinat objek
𝑟. 𝑤𝑖𝑑𝑡ℎ : lebar dari objek
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
𝑟. ℎ𝑒𝑖𝑔ℎ𝑡 : tinggi dari objek
Pergerakan quadcopter ketika melakukan
tracking objek ditunjukkan pada gambar 7.
Gambar 7. Diagram Alir Pergerakan
Quadcopter
Memasukkan perintah takeoff, kemudian
quadcopter mendeteksi adanya objek yang akan
di tracking. Quadcopter akan melakukan
pergerakan secara linear pada sumbu z (naik,
turun) atau secara angular pada sumbu z (kiri,
kanan), untuk menyesuaikan posisi agar objek
terdeteksi pada grid 5. Jika objek telah terdeteksi
pada grid 5 namun besar objek <200 atau >300,
maka quadcopter akan melakukan pergerakan
linear pada sumbu x (maju, mundur). Jika 200
<besar objek <300 maka quadcopter akan
melakukan hover. Tracking dilakukan hingga
perintah landing dijalankan.
3. PENGUJIAN DAN HASIL
Untuk menyimpulkan performa dari sistem
in, maka akan dilakukan 3 jenis pengujian yaitu
pengujian kecepatan, pengujian waktu eksekusi
dan pengujian akurasi tracking objek.
Fakultas Ilmu Komputer, Universitas Brawijaya
8035
3.1 Pengujian Akurasi Tracking Objek
Pengujian dilakukan untuk menguji
performa dari sistem saat pendeteksian dan
melakukan tracking (menyesuaikan posisi
terhadap objek) dengan objek segitiga,
segiempat dan segilima. Dilakukan dengan
menjalankan perintah takeoff, kemudian
quadcopter melakukan tracking objek dengan
gerakan maju, mundur, naik, turun, putar kiri,
dan putar kanan. Kecepatan quadcopter ketika
melakukan tracking objek adalah 0.3m/s.
Mengatur nilai kecepatan dari quadcopter
dengan cara memberikan nilai pada parameter
linear (x,y) dan angular (z). Mengamati
pergerakan quadcopter berdasarkan koordinat
objek yang terdeteksi.
Tabel 3. Hasil pengujian akurasi tracking objek
Pengujian ke-
Objek %
1 2 3 4 5 6 7 8 9 10
√ √ x √ x √ √ √ √ x 70
x √ √ √ √ √ √ x x √ 70
√ √ √ √ √ x √ √ √ √ 90
Rata – rata hasil tracking 76
Pada tabel 3 didapat hasil persentase akurasi
tracking objek dengan nilai rata-rata sebesar
76.6% dengan melakukan 10 kali pengujian pada
masing-masing objek. Untuk setiap objek,
persentase keberhasilannya adalah 70% untuk
segitiga, 70% untuk segiempat dan 90% untuk
segilima. Analisis yang dapat menyebabkan
keberhasilan dan kegagalan pada tracking objek
yaitu sebagai berikut :
a. Terdeteksi
Objek pada gambar yang akan dideteksi telah
memenuhi seluruh ketentuan dan berada pada
jarak yang telah ditentukan pada program.
Ketentuan tersebut adalah nilai RGB, tepian
dari objek, nilai kontur dan jumlah titik
puncak (vertice). Jika seluruh ketentuan telah
terpenuhi, maka bentuk objek terdefinisikan
dan dapat melakukan tracking objek.
b. Gagal terdeteksi
Kegagalan dikarenakan kondisi pencahayaan
dalam ruangan yang tidak menentu dapat
menghambat ketika pendeteksian, lalu
quadcopter mendeteksi benda yang
bentuknya menyerupai ketika melakukan
tracking objek, seperti yang ditunjukkan pada
gambar 9.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
Gambar 9. Kegagalan ketika melakukan
tracking objek
4. KESIMPULAN
Berdasarkan beberapa analisis dari hasil
yang telah dilakukan pada penelitian ini, dapat
dirangkum bahwa sistem tracking objek
menggunakan edge detection pada quadcopter
Sistem dapat melakukan pendeteksian objek
menggunakan metode shape detection dengan
mengkorversi gambar dari RGB ke grayscale,
kemudian blur image yang digunakan untuk
menghilangkan noise. Setelah itu mendeteksi
tepian dari objek dengan canny edge detection.
Mencari nilai kontur sesuai dengan objek yang
dideteksi agar quadcopter dapat mengenali
setiap bentuk objek melalui tepian yang telah
didapat.
Mencari titik tengah koordinat objek
menggunakan perhitungan dari panjang dan
lebar dari objek yang telah terdeteksi. Kemudian
membuat sebuah grid pada frame image yang
terbagi menjadi 9 bagian, frame image
berukuran 660x480 piksel. Quadcopter dapat
melakukan pergerakan menyesuaikan posisi
terhadap objek berdasarkan posisi objek yang
terdeteksi pada grid tersebut.
Akurasi pergerakan penyesuaian posisi
terhadap objek, mendapatkan hasil rata-rata
persentase 76.6% dalam 10 kali percobaan.
23.4% yang merupakan kegagalan deteksi
disebabkan oleh kondisi cahaya yang tidak
menentu, quadcopter mendeteksi objek lain
yang bentuknya menyerupai, dan sistem yang
mengharuskan perubahan posisi pendeteksian
menghilangkan focus dari kamera quadcopter.
5. DAFTAR PUSTAKA
Hamdani, C. N., 2013. Perancangan
Autonomous Landing pada Quadcopter
Menggunakan Behavior-Based
Intelligent Fuzzy Control. Volume 2, p.
2.
Hendy Mulyawan, M. Z. H. S. S., 2016.
Identifikasi dan Tracking Objek
Fakultas Ilmu Komputer, Universitas Brawijaya
8036
Berbasis Image. Identifikasi dan
Tracking Objek Berbasis Image.
OpenCV, 2012. Canny Edge Detection.
[Online]
Available at:
https://docs.opencv.org/3.1.0/da/d22/tu
torial_py_canny.html
[Accessed 18 Januari 2019].
OpenCV, 2012. Contour : Getting Started.
[Online]
Available at:
https://docs.opencv.org/2.4/modules/im
gproc/doc/structural_analysis_and_sha
pe_descriptors.html?highlight=findcont
ours#findcontours
[Accessed 06 Agustus 2018].
OpenCV, 2012. Contours. [Online]
Available at:
https://docs.opencv.org/3.4/d4/d73/tuto
rial_py_contours_begin.html
[Accessed 07 Januari 2019].
OpenCV, 2012.
imgproc_color_conversions. [Online]
Available at:
https://docs.opencv.org/3.1.0/de/d25/i
mgproc_color_conversions.html
[Accessed 02 Agustus 2018].
Pamungkas, E. M., 2017. Sistem Pendeteksi
dan Pelacakan Bola dengan Metode
Hough Circle Transform, Blob
Detection, dan Camshift Menggunakan
AR.Drone. IJEIS, Vol.7, No.1, April
2017, pp. 1~12.
Stefano, 2016. algoritma douglas peucker.
[Online]
Available at:
https://piptools.net/algoritma-douglas-
peucker/
[Accessed 18 Januari 2019].
Weiner, S. J., 2010. Feasibility of a 802.11
VANET Based Car Accident Alert
System. s.l.:Northeastern University.