Deteksi Bola Multipola Memanfaatkan Ekstraksi Fitur Local Binary Pattern dengan Algoritma Learning Adaboost

Muhammad Pajar Kharisma Putra

Abstract


Kontes Robot Sepakbola Indonesia 2017 yang mengacu  pada  rule  robocup  2016  mengalami peningkatan tantangan yang signifikan. Berbeda dengan tahun sebelumnya yang menggunakan bola tenis berwarna orange, tahun 2017 menggunakan bola standar FIFA 1 berdiameter 13 cm dengan warna 50% putih dan sisanya acak serta pola yang beragam. Sedangkan lapangan menggunakan rumput sintetis dengan ketebalan 2 cm dan gawang berwarna putih.. Banyaknya objek di lapangan yang memiliki warna serupa dengan bola membuat metode deteksi sebelumnya yang berbasis warna sudah tidak bisa lagi digunakan Begitupun dengan deteksi berbasis bentuk seperti transformasi hough, akan sulit dilakukan karena kondisi bola yang benar – benar bulat akan jarang ditemui saat pertandingan. Karena itu digunakanlah metode learning untuk melakukan deteksi bola. Metode ini dinilai efektif untuk mengenali pola bola yang beragam. Dari hasil pengujian, kondisi eksternal robot didapat melalui sensor passive berupa digital kamera PS Eye dan di otaki oleh komputer dengan processor Intel Cherry Trail yang bekerja pada clock 1.8 GHz, didapat bahwa strategi yang diajukan dapat melokalisasi bola sekaligus mengeliminasi noise dalam waktu 30 ms, sehingga robot masih dapat merespon perubahan kondisi lingkungan secara real-time.

Full Text:

PDF

References


Ahonen, T. et al. (2006) ‘Face Description with Local Binary Patterns : Application to Face Recognition’, Department of Electrical and Information Engineering, University of Oulu, (June 2006), pp. 1–15.

Dhiemas, R. Y. . (2011) ‘Pencarian Posisi Robot: Studi Kasus Pencarian Sumber Kebocoran Gas’, Fakultas Ilmu Komputer, Universitas Indonesia.

Kusumanto, R. D. et al. (2011) ‘Klasifikasi Warna Menggunakan Pengolahan Model Warna HSV’, 2(2), pp. 83–87.

Lintz, J. J. and Simonett (1976) ‘Remote Sensing and Environtment’, Addison Wesley Publishing Company London.

Lukman, A. and Baharuddin, M. (2012) ‘MACHINE LEARNING PENGENALAN CITRA DIGITAL Nusa Palapa Alamat Korespondensi : Andi Lukman Program Studi Teknik Informatika Sekolah Tinggi Multimedia dan Informatika ( STIMED ) Nusa Palapa Makassar , Sulawesi Selatan . HP : 08124255094 Email : uke@stimednp.’

Master, R. O. and Stockholm, S. T. (2009) ‘Ball Detection via Machine Learning Master of Science Thesis Ball Detection via Machine Learning’.

Ojala, T., Pietikäinen, M. and Mäenpää, T. (2002) ‘Multiresolution Gray Scale and Rotation Invariant Texture Classification with Local Binary Patterns’, pp. 1–35.

Prayitno, Y. . (2012) ‘Rancang Bangun Aplikasi Pendeteksi Bentuk Dan Warna Benda Pada Mobile Robot Berbasis Webcam’, Jurnal stikom.edu, 1.

Ruan, Q., Ruan, C. and Li, X. (2010) ‘Real Adaboost feature selection for Object Recognition’, IEEE 10th International Conference On Signal Processing Proceeding, pp. 1402–1405.

Setiawan, D. et al. (2017) ‘Deteksi Bola Multipola Pada Robot Krakatau FC’, ISRSC 2017.

Stokman, H. (2006) ‘Color Feature Detection THEO’, Color Image Processing: Emerging Applications, 20065568, pp. 203–225. doi: 10.1201/9781420009781.ch9.

Sudarisman, D. et al. (2015) ‘Strategi Deteksi Bola pada Tim Krakatau’, ISRSC 2015.

Yoav, F. and Robert E, S. (1997) ‘A decision-theoretic generalization of on-line learning and an application to boosting’, Journal of Computer and System Sciences, 55.

Yoav, F. and Schapire, R. E. (1999) ‘A Short Introduction to Boosting’, Journal of Japanese Society for Artificial Intelligence, pp. 771–780.




DOI: https://doi.org/10.33365/jecsit.v1i1.1

Refbacks

  • There are currently no refbacks.


JECSIT Published by Universitas Teknokrat Indonesia
Organized by Faculty of Engineering and Computer Science
Web: http://jurnal.teknokrat.ac.id/index.php/JECSIT/index
Email : jecsit@teknokrat.ac.id.
Jl. Zainal Abidin Pagaralam, No.9-11, Labuhan Ratu, Bandarlampung
Telepon : 0721 70 20 22