Pengembangan Sistem Monitoring Pada Robot Underwater Dengan Menggunakan Kamera Webcam
Pengembangan Sistem Monitoring Pada Robot Underwater Dengan Menggunakan Kamera Webcam
Abstract
Received : 11 Nov 20 This study focuses on the underwater robot monitoring system using a webcam
Accepted : 19 Nov 20 camera. the development method used is Research and Development (R&D). In this study,
Published : 22 Nov 20 using the Raspberry Pi 3 to process the input data that has been generated by the webcam
camera. The algorithm used for object recognition and classification is Convolutional
Neural Network (CNN). In this study, using the tensorflow lite framework version 1.14
for the introduction of objects that run on the Raspbian operating system with a dataset of
760 images. Based on the test results, it is known that the developed underwater robot
monitoring system has successfully captured video images well and can successfully
recognize fish objects using the Convolutional Neural Network (CNN) algorithm. The
level of accuracy of the detection system for Molly and Sumatran fish using the realtime
Convolutional Neural Network (CNN) algorithm can be assessed as working well. For
detection of molly fish it reaches an accuracy of 66.7% while for Sumatran fish it reaches
45.5%.
Abstrak
Penelitian ini berfokus pada sistem monitoring robot underwater menggunakan kamera
webcam. metode pengembangan yang digunakan adalah Research And Development
(R&D). Pada penelitian ini menggunakan Raspberry Pi 3 untuk memproses data masukan
yang telah di hasilkan oleh kamera webcam. Algoritma yang digunakan untuk pengenalan
dan klasifikasi objek ini adalah Convolutional Neural Network (CNN). Pada penelitian ini
menggunakan framework tensorflow lite versi 1.14 untuk pengenalan objek yang berjalan
diatas sistem operasi Raspbian dengan dataset sebanyak 760 gambar. Berdasarkan hasil
pengujian diketahui bahwa Sistem monitoring robot underwater yang dikembangkan telah
berhasil menangkap gambar video dengan baik dan dapat berhasil pengenalan objek ikan
menggunakan algoritma Convolutional Neural Network (CNN). Tingkat akurasi dari
sistem deteksi ikan molly dan sumatra menggunakan algoritma Convolutional Neural
Network (CNN) secara realtime dapat dinilai bekerja dengan baik. Untuk deteksi pada
ikan molly mencapai akurasi 66,7 % sedangkan untuk ikan Sumatra mencapai 45,5 %
untuk bermanuver. Sedangkan bahan penyusun kamera webcam sebagai monitoring pengambil
kerangka robot ter buat dari pipa paralon untuk citra/gambar dan mikropon (optional) sebagai
memanipulasi berat robot. pengambil suara/audio untuk merekam klip video dan
Banyaknya penelitian yang sudah dilakukan, mentransmisikan gambar secara langsung yang di
salah satunya tentang sistem monitoring robot proses perangkat Raspberry dan ditampilkan oleh
underwater. penelitian yang sudah ada merancang sebuah laptop. Secara umum sistem di bangun pada
sistem monitoring dengan menggunakan IP Camera gambar 1
yang dihubungkan dengan router. Dengan
menggunakan sistem monitoring IP Camera tentunya
hanya mampu memantau saja tanpa mampu
mendeteksi objek di bawah air
Oleh karena itu, penulis mengembangkan sistem
monitoring Robot Underwater menggunakan kamera
webcam yang dapat mendeteksi objek dibawah air.
Penelitian yang telah dilakukan sebelumnya oleh
Rizky (2013), Aplikasi Sistem Pengamatan Bawah
Laut Menggunakan Kamera Webcam. Penelitian Gambar 1. Desain Pengembangan Sistem Monitoring
tersebut bertujuan untuk mengetahui kamera webcam Webcam
dalam menghasilkan data yang diambil di bawah laut
dengan menggunakan Teknik untuk menerapkan Rangkaian di atas menggambarkan proses sistem
sistem Surveillance Camera di laut. Hasil penelitian ini
kerja perangkat secara keselurusan yang akan
membuktikan bahwa kamera webcam dapat
digunakan di bawah laut dengan ditambah perangkat dirancang, sistem kamera webcam sebagai sistem
lainnya yaitu housing kamera, kabel penghubung UTP pemantauan untuk mendeteksi objek yang
dan komputer/laptop. dihubungkan melalui port USB, kemudian di proses
Berdasarkan penelitian yang sudah dilakukan melalui Raspberry Pi 3 yang sudah di pasangakan
Rizky (2013) Bahwa penggunaan kamera webcam Operating System raspbian dan di tampilkan ke sebuah
dapat digunakan sebagai sistem monitoring bawah air laptop dengan menggunakan aplikasi VNC Viewer
dan gambar yang dihasilkan terlihat jelas dan baik
yang dihubungkan melalui port LAN melalui kabel
dalam pengambilan capture. Dengan memanfaatkan
Teknologi webcam yang mempunyai fitur video UTP serta menyimpan data berupa video melalui
conferencing, internet dating, video messaging, home rekaman pada kamera webcam.
monitoring, images sharing, video interview, video Laptop berfungsi untuk menampilkan suatu
phone-call yang memiliki kualitas recording 720x640 gambar display yang di proses oleh Raspberry Pi 3
Pixel dan didalamnya terdapat microphone maupun kemudian dihubungkan melalui aplikasi VNC Viewer
noise cancellation untuk memfokuskan audio ke menggunakan kabel UTP.Raspberry sebagai
speaker yang terletak di depan kamera sehingga noise
pemprosesan data untuk menjalankan program yang
yang ada tidak mengganggu jalannya konferensi
sudah di pasangkan Operating System Raspbian
2. Metode melalui media penyimpanan Memory Card sehingga
Jenis penelitian yang digunakan adalah dapat berfungsi dan menjalankan program seperti
Research Sistem Monitoring yang dibuat dalam layaknya computer.Webcam berupa kamera yang
penelitian ini yaitu Sistem monitoring pada Robot berfungsi sebagai pengambil citra/gambar dan
Underwater menggunakan kamera webcam dan mikropon (optional) sebagai pengambil suara/audio
menerapkan sistem object detection tensorflow yang
yang diproses oleh Raspberry Pi 3 dengan program
dapat mendeteksi ikan menggunakan kamera yang
ditampilkan melalui layar laptop/computer di yang sudah di tanamkan di dalam Operating Sistem
pasangkan melalui kabel UTP dengan memanfaatkan Raspbian
sebuah Raspberry Pi 3 sebagai pemprosesan citra Pengembangan software dalam penelitian terdiri
digital pada sebuah objek. Penelitian ini menerapkan atas pengembangan software Tensorlow Lite. Software
teknologi Surveillance Camera menggunakan sistem Tensorflow Lite dikembangkan pada membuat costum
deteksi objek tensorflow dengan memanfaatkan dataset object ikan yang akan berjalan dan dapat
mendeteksi object tersebut. Program tensorflow di Tahap pelatihan model adalah tahap utama dimana
instal beserta library di Komputer maupun raspberry sebuah model dilatih untuk mempelajari suatu pola yang
pi 3. Pemograman yang digunakan untuk object diharapkan dan menghasilkan suatu pengenalan deteksi
detection yaitu python dengan menggunakan objek yang sesuai dengan yang diharapkan dengan tingkat
algoritma Convolutional Neural Network (CNN) yang akurasi yang tinggi. Proses training dilakukan
di instal melalui perangkat keras raspberry pi 3. menggunakan tools yang di ciptakan oleh Google,
Google Colab merupakan sebuah tools yang berbasis
cloud dan free dengan environment jupyter dan
mendukung hampir semua library yang dibutuhkan
dalam lingkungan pengembangan Artificial
Intelegence (AI). Google colab dinamakan juga
Gambar 2. Sistem pendeteksian Tensorflow jupyter notebook yang dijalankan secara online dan
gratis. Google Colab dapat dijalankan komputer yang
Tensorflow merupakan perpustakaan perangkat memiliki spesifikasi rendah.
lunak yang dikembangkan oleh Tim Google Brain Hasil dari proses pelatihan Convolutional Neural
dalam organisasi penelitian Mesin Cerdas Google, Network (CNN) adalah terbentuknya sebuah model
untuk tujuan melakukan pembelajaran mesin dan yang siap pakai untuk pendetekstian yang akan di
penelitian jaringan syaraf dalam. Tensorflow gunakan pada raspberry atau dengan kata lain disebut
menggabungkan aljabar komputasi teknik dengan testing. Model yang dimaksudkan pada
pengoptimalan kompilasi, mempermudah Tensorflow API adalah berupa file checkpoint hasil
penghitungan banyak ekspresi matematis dimana training/pelatihan dan data tensor graph yang dimuat
masalahnya adalah waktu yang dibutuhkan untuk pada berkas berekstensi TFlite
melakukan perhitungan. Total Loss merupakan grafik total loss yang
Convolutional Neural Network adalah salah satu dihasilkan pada saat melakukan proses training sampai
metode machine learning dari pengembangan Multi dengan selesai sesuai dengan jumlah iterasi yang
Layer Perceptron (MLP) yang didesain untuk dilakukan yaitu sebanyak 200.000 langkah/steps.
mengolah data dua dimensi. CNN termasuk dalam Dapat disimpulkan bahwa ratarata nilai loss dari step
jenis Deep Neural Network karena dalamnya tingkat pertama hingga step terakhir adalah 2.66 hingga 1.31.
jaringan dan banyak diimplementasikan dalam data
citra. CNN memiliki dua metode; yakni klasifikasi
menggunakan feedforward dan tahap pembelajaran
menggunakan backpropagation.
Pembuatan dataset
Model dataset yang digunakan yaitu
ssd_mobilenet_v2_quantized_300x300 _coco telah
disediakan oleh tensorflow Model yang
dikembangkan oleh Howard et al. (2017) ini
merupakan model yang bertujuan mengurangi jumlah Gambar 3. Total Loss Training
operasi yang dikerjakan agar proses ekstrasi fitur lebih
cepat dan mengurangi beban perangkat keras. Detection Output merupakan hasil akhir / tahap
Objek dari penelitian ini adalah gambar ikan akhir dari deteksi ikan Sumatra dan molly. Untuk
Sumatra garis hitam dan molly black gold yang melihat dan menguji coba hasil model yang di training
memiliki masing - masing gambar 380 dengan total maka diperlukan sebuah program untuk memuat dan
760 gambar berformat JPG. menjalankan model yang telah dibuat dan
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 =
100
− (2) webcam di dalam Housing Wateproof tersebut.
Presentasi Bobot
23 Frame ke 0.40 1 0 1
17 Frame ke 0.41 1 0 1
23
24 Frame ke 0.39 0 0 0 17
24
18 Frame ke 0.41 1 0 1
25 Frame ke 0.42 0 0 0
25 18
26 Frame ke 0.41 0 0 0 19 Frame ke 0.41 1 0 1
26
27 Frame ke 0.39 0 0 0 19
27 20 Frame ke 0.40 2 0 2
28 Frame ke 0.39 1 0 1
28 20
29 Frame ke 0.41 0 0 0 21 Frame ke 0.40 2 0 2
29
30 Frame ke 0.41 1 0 1 21
30 22 Frame ke 0.41 1 1 0
22
Tabel 2. Kemampuan Sistem mendeteksi ikan 23 Frame ke 0.41 1 0 1
Sumatra 23
6 Frame ke 0.42 1 0 1
6
Pengujian dilakukan sebanyak 6 kali percobaan
7 Frame ke 0.42 0 0 0
menjalankan sebuah program python pada Raspberry
7 Pi 3 secara live streaming melalui kamera webcam.
8 Frame ke 0.40 0 0 0 Dalam proses deteksi beberapa nilai pendukung
8 ditampilkan untuk memperkuat hasil deteksi. Nilai
9 Frame ke 0.41 0 0 0 yang ditampilkan dalam program deteksi berupa kotak
9 box deteksi, nama objek, tingkat akurasi, Frame Per
10 Frame ke 0.42 0 0 0
Second (FPS) dan nilai RGB. Pengambilan data
10
dilakukan dengan mengambil sebuah 1 sampel
11 Frame ke 0.42 0 0 0
percobaan yang akan di amati secara langsung oleh
11
peneliti, sehingga peneliti dapat memperoleh hasil
12 Frame ke 0.41 0 0 0
12
kesimpulan. Tingkat akurasi deteksi sistem yang di
13 Frame ke 0.41 0 0 0
dapatkan berdasarkan data pada tabel 1 dan 2
13 dijelaskan pada tabel dibawah ini
14 Frame ke 0.40 0 0 0
14
Tabel 3. Deteksi tingkat akurasi sistem pada ikan
15 Frame ke 0.41 1 0 1 molly
15 Tingkat akurasi deteksi Tingkat kesalahan deteksi
16 Frame ke 0.41 0 0 0 sistem sistem
16 66,7 % 33,3 %