MODUL DAN LEMBAR KEGIATAN

PRAKTIKUM TEKNIK ROBOTIKA

Oleh :

NAMA :………………………………………….

NIM :………………………………………….

LABORATORIUM ELEKTRONIKA DAN TERAPAN

FAKULTAS TEKNIK ELEKTRO STRATA 1

UNIVERSITAS JEMBER

2015

PENDAHULUAN

Robot adalah sebuah alat otomatis atau perangkat yang melakukan fungsi yang berasal

dari manusia, atau beroperasi mirip dengan kecerdasan manusia (webster’s dictonary). robot

tidak pernah lepas dari beberapa disiplin ilmu, misalnya mekanik, elektronika, sistem kontrol

dan software atau algoritma program. Robot memiliki beberapa komponen yang penting,

seperti sensor, mikrokontroler, dan aktuator. Gambar 1 menunjukkan contoh dari blok

komponen robot yang pada umumnya digunakan, pada blok tersebut terlihat memiliki satu

prosesor, ada beberapa sensor, diantaranya adalah sensor ultrasonik, sistem vision sebagai

indra penglihatan pada robot, sistem detektor rintangan, dan memiliki beberapa aktuator

berupa kaki, lengan, dan gripper. Praktikum difokuskan untuk melakukan percobaan

pembuatan pada blok sistem vision, prosesor, dan roda pada robot.

Gambar 1 Blok dasar dari robot, ada prosesor pusat

(otak), penggerak (motor), dan sensor (switch, sonar, dll).

1 Konversi Citra Digital

1.1 Landasan Teori

Warna adalah elemen dasar dari pengolahan citra digital, ada beberapa jenis ruang warna,

ruang warna RGB merupakan ruang warna yang biasa digunakan dalam pemrosesan gambar

citra, R, G, dan B merupakan besara komponen warna merah, hijau, dan biru, setiap warna

tersebut memiliki rentang nilai antara 0 sampai 255 desimal (pada citra berformat bitmap 24

bit). Ada beberapa model citra, diantaranya adalah model warna HSV, Grayscale, dan Biner.

Model warna hsv

HSV merupakan model warna yang efektif dapat mengurangi efek dari pentulan

cahaya oven dan pengaruh bayangan (zheng dkk, 2014). Konversi dari RGB ke HSV dapat

menggunakan Persamaan (1) sampai (3).

(1)

(2)

(3)

dimana max dan min adalah nilai maksimum dan minimum dari R, G, dan B, adalah

perbedaan antara max dan min.

Grayscaling

Sesuai dengan namanya citra ini menangani gradasi warna hitam putih, yang tentu saja

menghasilkan efek warna abu-abu. Pada jenis gambar ini, warna dinyatakan dalam intensitas

berkisar antara 0 sampai dengan 255, nillai 0 menyatakan warna hitam dan 255 menyatakan

warna putih. Untuk mengkonversi citra berwarna ke citra berskala keabuan menggunakan

Persamaan (4), proses grayscale biasanya digunakan sebagai awal untuk melakukan proses

segmentasi citra.

Grayscale (GS)=(R+G+B)/3 (4)

Segmentasi citra merupakan proses yang ditujukan untuk mendaptkan objek-objek

yang terkandung di dalam citra atau membagi citra ke dalam beberapa daerah dengan setiap

objek atau daerah yang memiliki kemiripan atribut. Pada citra yang mengandung satu objek,

objek dibedakan dengan latar belakangnya.

Thresholding merupakan metode yang paling sederhana dari segmentasi citra. Dari

gambar grayscale, thresholding dapat digunakan untuk membuat gambar biner yaitu dengan

warna hitam putih.

(5)

Operasi Biner

Dalam pengolahan citra membutuhkan memori yang lebih besar dibandingkan

pengolah teks pada komputer, sehingga untuk menghemat memori warna citra diubah ke

tingkat grayscale terendah yang berarti citra hanya mengandung informasi hitam dan putih

pada piksel penyusunnya yang biasa disebut citra biner, selain itu citra biner umumnya lebih

sederhana, cepat, dan mudah dalam mengimplementasikan. Salah satu operasi biner adalah

mendapatkan area/luas.

Area adalah jumlah pixel-pixel pembentuk suatu objek dan satuannya adalah pixel,

suatu luasan akan terbentuk dari pixel-pixel tersebut. Area dapat mencerminkan ukuran atau

berat objek sesungguhnya pada beberapa benda pejal dengan ukuran yang hampir seragam,

tetapi tidak pada benda yang berongga.

Gambar 2 Proses perubahan dari model warna RGB ke gray lalu model biner

1.2 Tujuan

1. Mahasiswa mengerti dan mengetahui bagaimana konsep dari citra RGB, grayscale,

dan model citra biner

2. Mahasiswa mengetahui perbedaan dari setiap model citra

1.3 Alat dan Bahan

1. Komputer

2. Library emgu CV

3. Software Visual Studio

4. Kamera webcam

1.4 Blog dari Sistem

1.5 Prosedur Percobaan

A. Pengaturan pada visual studio untuk memasukkan library emgu cv

1. Instal emgu cv versi 2.1 dengan mengeksekusi file nya

2. Buka program visual studio lalu pilih bahasa program visual basic.

3. Untuk menambah komponen toolbox, klik kanan pada toolbox, pilih choose items,

pilih browse, arahkan pada folder penginstalan emgucv pada drive C program file

> emgucv > bin, lalu pilih file emgu.CV.UI.dll dan klik open

Emgu CV dan Visual

Studio yang telah

terinstal pada komputer

4. Pilih item HistrogramBox, ImageBox, MatrixBox, dan PanAndZoomPictureBox

5. Masukkan file referensi yang berupa file .dll agar fungsi emgucv dapat digunakan

dan tidak terjadi kesalahan dalam proses kompilasi. Klik kanan pada jendela

solution explorer, pilih add reference.

6. Pilih tab browse, arahkan pada menu look in, klik panah ke bawah dan arahkan

pada drive C program files > emgucv > bin

7. Pilih file .dll seperti yang diblok, kemudian klik ok

8. Langkah selanjutnya adalah mengkopi file cxcore210.dll dan

highgui210.dll dan memasukkannya ke folder debug pada folder

proyek yang telah dibuat

B. Mengetahui perbedaan model citra RGB, Grayscale, HSV, dan biner

1. Hubungkan webcam pada komputer

2. Buka algoritma program yang telah terbuat

3. Klik tombol mulai

4. Lakukan pengaturan nilai threshold untuk proses segmentasi sehingga gambar

biner membentuk objek yang diinginkan, lalu masukkan nilai rerata pada tabel

5. Lakukan pengujian pada warna yang berbeda sesuai dengan tabel percobaan

6. Berikan pembahasan tentang setiap model warna yang ada dan berikan juga

pembahasan dari data yang diperoleh

Pengaturan nilai threshold

Nilai rerata yang

dimasukkan dalam tabel

1.6 Data Hasil Percobaan

Percobaan

(Warna)

Merah

(rerata)

Hijau

(rerata)

Biru

(rerata)

Grayscale

(rerata)

Kertas Hijau

Kertas Merah

Kertas Biru

Kertas Putih

Kertas Hitam

1.7 Pembahasan

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

………………………………………………………………………..

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

………………………………………………………………………….

…………………………………………………………………………

…………………………………………………………………………

1.8 Kesimpulan

Beri kesimpulan dari percobaan yang telah anda lakukan!

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………

LEMBAR EVALUASI

Judul Praktikum :

Nama Asisten :

Nama Praktikan :

No Mekanisme Tgl ACC Ket. / Nilai

1 Tugas Pendahuluan

2 Kehadiran

3 Asistensi 1

4 Asistensi 2

5 Asistensi 3

6 Nilai Akhir

2 Memanfaatkan Kamera Sebagai

Sensor Jarak Pada Robot Beroda

2.1 Landasan Teori

Ada beberapa istilah penting dalam robot vision yang saling berhubungan,

yaitu computer vision, machine vision dan robot vision. Computer vision adalah

teknologi yang paling penting di masa depan dalam pengembangan robot interaktif. Computer

vision adalah bidang pengetahuan yang berfokus pada bidang kecerdasan buatan dan sistem

yang terkait dengan akuisisi dan pengolahan gambar. Computer vision diimplementasikan

pada teknologi yang berkaitan dengan pengolahan gambar - berdasarkan inspeksi otomatis,

kontrol proses, dan robot dalam berbagai aplikasi industri. Robot vision adalah pengetahuan

tentang aplikasi komputer vision pada robot. Robot membutuhkan informasi visi untuk

memutuskan tindakan apa yang akan dilakukan. Aplikasi ini saat ini dalam robot vision

adalah sebagai alat bantu navigasi robot, mencari objek yang diinginkan, dan inspeksi

lingkungan lainnya. Visi pada robot menjadi sangat penting karena menerima informasi lebih

rinci dari sekedar sensor jarak atau sensor lainnya. Misalnya, robot mampu mengenali apakah

objek yang terdeteksi adalah wajah seseorang atau tidak. Selanjutnya, sistem visi canggih

pada robot membuat robot dapat membedakan wajah secara akurat. Pengolahan input

gambar dari kamera memiliki makna bagi robot yang dikenal sebagai persepsi secara visual,

mulai dari akuisisi citra, image preprocessing untuk mendapatkan gambar yang diinginkan

dan bebas dari noise, misalnya ekstraksi fitur untuk interpretasi sebagai ditunjukkan pada

Gambar 3.

Gambar 3 Blok dasar dari robot vision

2.2 Tujuan

1. Mahasiswa mampu mengaplikasi kamera sebagai sensor pada robot

2. Mahasiswa memahami salah satu konsep dari penggunaan kamera sebagai sensor

jarak pada robot

2.3 Alat dan Bahan

1. Komputer

2. Kamera

3. Robot

4. Board arduino

2.4 Blok dari Sistem

2.5 Prosedur Percobaan

A. Kamera sebagai sensor jarak pada robot dari sebuah objek

1. Hubungkan webcam pada komputer

2. Hubungkan komputer dengan board arduino yang telah terpasang pada robot

menggunakan USB printer

3. Buka algoritma program yang telah terbuat

4. Klik tombol mulai

Emgu CV dan Visual

Studio yang telah

terinstal pada komputer

5. Lakukan pengaturan nilai threshold untuk proses segmentasi sehingga gambar

biner membentuk objek yang diinginkan

6. Klik tombol buka port, lalu gerakakkan objek mendekati kamera atau menjahui

kamera. Perhatikan pergerakan robot.

7. Rubah nilai ambang pada program arduino sesuai dengan tabel.

Nilai threshold

yang menentukan

jarak kamera

dengan robot

Pengaturan nilai threshold

2.6 Data Hasil Percobaan

Nilai

threshold

Jarak kamera dengan objek ketika robot bergerak

mundur

75

125

175

2.7 Pembahasan

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

………………………………………………………………………..

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

………………………………………………………………………….

…………………………………………………………………………

…………………………………………………………………………

2.8 Kesimpulan

Beri kesimpulan dari percobaan yang telah anda lakukan!

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………………………………………………………

…………………………

LEMBAR EVALUASI

Judul Praktikum :

Nama Asisten :

Nama Praktikan :

No Mekanisme Tgl ACC Ket. / Nilai

1 Tugas Pendahuluan

2 Kehadiran

3 Asistensi 1

4 Asistensi 2

5 Asistensi 3

6 Nilai Akhir

Referensi:

Widodo budiharto & Djoko purwanto. (2012). Robot Visioin Teknik Membangun Robot

Cerdas Masa Depan. Yogyakarta: Penerbit Andi.

Gordon McComb & Myke Predko. (2001). Robot Builder’s Bonanza (Third Edition).

McGraw-Hill

Widodo budiharto. (2014). Modern Robotics with OpenCV. New York: Science Publishing

Group.