5

 

BAB 2

LANDASAN TEORI

2.1 Image Processing

Suatu gambar yang diambil dengan menggunakan kamera pada dasarnya

adalah suatu sebaran atau distribusi tenaga cahaya yang kontinu, dua dimensi, dan

bergantung pada waktu tertentu. Agar sebaran energi atau gambar tersebut dapat

diolah secara digital oleh komputer, diperlukan 3 buah tahap penting (Burger,

Wilhelm. Mark J. Burge, 2008, p8-10) yaitu:

1. Sebaran cahaya tersebut harus dipetakan menjadi suatu sebaran matriks.

2. Sebaran matriks yang didapat harus menjalani proses sampling untuk

mendapat suatu fungsi matematika yang bergantung terhadap waktu untuk

merepresentasikan suatu gambar.

3. Setelah didapatkan suatu fungsi matematika dari kedua proses di atas,

hasil angka yang didapat perlu mengalami proses kuantisasi sehingga

menghasilkan nilai bulat yang dapat diolah komputer.

Pada saat suatu kamera digunakan untuk mengambil gambar, lensa pada

kamera tersebut akan memproyeksikan gambar kepada elemen sensor. Setiap elemen

sensor tersebut akan mendapatkan cahaya dengan intensitas berbeda sebanding

dengan intensitas cahaya yang jatuh pada gambar yang diambil. Pemetaan sebaran

cahaya tersebut juga dikenal dengan istilah spatial sampling. Hasil dari spatial

sampling ini adalah pemetaan fungsi kontinu dari sebaran cahaya pada gambar yang

6

 

 

kita ambil melalui kamera. sehingga didapatkan representasi diskrit dari gambar

tersebut. Proses ini dipengaruhi dari susunan geometris dari elemen sensor yang

digunakan pada alat tersebut. Pada umumnya, elemen sensor ini disusun sedemikian

rupa sehingga membentuk sudut-sudut yang tepat untuk menerima cahaya.

Kamera digital dapat menggunakan CCD (Charged-Coupled-Device)

atau CMOS sebagai elemen sensornya. Komponen CCD adalah suatu chip yang

befungsi sebagai suatu shift register analog yang memungkinkan perpindahan sinyal

analog secara berurutan dengan diatur melalui sinyal clock. Istilah “CCD” juga dapat

diartikan sebagai suatu cara untuk membaca sinyal image dari chip tersebut. Pada

CCD, terdapat 2 bagian yang berperan berbeda untuk menangkap suatu gambar.

Bagian yang berperan untuk menerima cahaya dari lensa kamera (spatial sampling)

berupa lapisan silikon yang juga berfungsi sebagai suatu kapasitor yang sensitif

terhadap cahaya. Bagian yang menjalankan proses sampling berupa shift register

adalah chip CCD itu sendiri. Pada proses spatial sampling, lapisan kapasitor akan

mendapat cahaya dengan intensitas berbeda sebanding dengan intensitas cahaya

yang jatuh pada gambar yang diambil. Lapisan kapasitor tersebut akan menghasilkan

arus listrik sesuai dengan intensitas cahaya yang jatuh pada masing-masing elemen.

Saat suatu gambar telah selesai menjalani proses spatial sampling tersebut, suatu

rangkaian kontrol akan mengaktifkan shift register dan membuat arus pada lapisan

kapasitor dipindahkan ke kapasitor sebelahnya menuju ke CCD. Pada kapasitor yang

berada tepat sebelum CCD, arus akan memasuki suatu rangkaian yang akan

mengubah arus menjadi tegangan. Proses ini dilakukan terus menerus hingga

7

 

 

mengubah seluruh sinyal analog yang jatuh pada lapisan kapasitor menjadi sinyal

diskrit. Selain CCD, proses tersebut juga berlaku untuk CMOS yang digunakan

untuk kamera handphone dan web-cam. Pada CMOS, proses spatial sampling dan

digitisasi dilakukan pada IC tersebut tanpa terbagi 2. CMOS juga memiliki

keunggulan dari segi biaya pembuatan, memiliki waktu proses gambar yang lebih

cepat (karena terjadi pada 1 IC), dan menggunakan daya yang lebih kecil dari CCD.

Namun demikian, CCD memiliki sensitivitas lebih tinggi terhadap cahaya infra

merah dan cahaya ultraviolet sehingga banyak digunakan di bidang astronomi. Cara

kerja CCD sendiri lebih sederhana dibanding CMOS, sehingga juga banyak

digunakan pada kamera digital, optical dan UV spectroscopy, microscopy elektron,

fluoroscopy medis, dan bidang lainnya.

Warna dari suatu pemandangan yang ditangkap dengan kamera digital

umumnya menggunakan suatu lapisan filter warna terlebih dahulu sebelum cahaya

jatuh pada lapisan kapasitor. Filter warna yang umumnya digunakan adalah filter

Bayer. Filter Bayer berupa suatu lapisan filter untuk membagi warna-warna yang

akan masuk ke lapisan kapasitor. Perbandingan warna yang digunakan pada filter

Bayer adalah Hijau 50%, Merah 25%, dan Biru 25% dengan mempertimbangkan

sensitivitas mata manusia terhadap warna hijau. Ketiga warna tersebut ditata

melapisi lapisan kapasitor seperti gambar di bawah (BAYER.1). Hasil sampling

setelah melalui filter Bayer ini belum dapat menghasilkan gambar dengan warna

yang sesuai aslinya, hal ini dikarenakan setiap unit pixel hanya menyimpan

informasi untuk satu warna. Umumnya, hasil sampling yang berupa sinyal digital

8

 

 

nantinya dapat diolah dengan suatu algoritma yang akan menghasilkan gambar

dengan kombinasi ketiga warna tersebut. Proses tersebut umumnya sudah dilakukan

oleh komponen lain dari kamera.

Gambar 2.1 Filter Bayer

(Sumber: http://lowendmac.com/digigraphica/pick/electronics.html)

Dari dua proses di atas, kita akan mendapatkan suatu perwakilan diskrit

dari suatu gambar yang akan berupa fungsi matematika. Fungsi matematika diskrit

yang di dapat di sini umumnya akan mengalami proses kuantisasi atau pembulatan

ke dalam bilangan integer (bilangan bulat), kadang kala konversi dilakukan ke dalam

bilangan floating-point (bilangan real) untuk keperluan medis yang memerlukan

tingkat ketelitian yang lebih tinggi. Proses semacam ini dilakukan dengan

menggunakan komponen ADC (Analog-to-Digital Converter) yang umumnya

dijadikan satu bersamaan dengan sensor elektronik sehingga proses konversi dapat

dijalankan langsung pada pengambilan gambar.

9

 

 

Semua proses di atas akan menghasilkan suatu matriks bilangan bulat dua

dimensi berukuran M * N yang merupakan representasi digital dari gambar yang

kita dapat. Ada beberapa istilah yang digunakan setelah gambar yang ada telah

menjadi matriks tersebut. Ukuran suatu gambar digital ditentukan langsung dari

ukuran matriks yang dihasilkan. Resolusi dari suatu gambar digital adalah jumlah

elemen ukur dari suatu image di komputer dibandingkan dengan satuan ukur yang

digunakan di alam nyata (contoh: dots per inch atau dpi, lines per inch atau lpi, dsb).

Elemen ukur yang umumnya digunakan untuk menyatakan resolusi suatu gambar

pada image processing adalah pixel. Pixel sendiri adalah satuan terkecil yang dapat

memuat informasi dari proses sampling suatu gambar, dimana satu pixel akan

mewakili 1 unit yang digunakan pada proses sampling tersebut. Suatu gambar

dengan nilai resolusi (nilai pixel) yang besar menandakan gambar tersebut akan

menyimpan lebih banyak informasi dan akan tampak lebih mendekati kondisi asli

dari gambar tersebut. Pada sebagian besar kasus, resolusi suatu gambar pada bidang

horizontalnya akan sama dengan bidang vertikalnya. Resolusi dari suatu gambar

akan menjadi penting saat kita ingin mengukur jarak di dalam gambar tersebut atau

ingin menambahkan gambar-gambar geometris pada gambar yang ada. Oleh karena

itu, sebagian besar format gambar dan software yang digunakan untuk keperluan

professional menyediakan informasi yang lengkap tentang resolusi suatu gambar.

Jenis image yang diambil akan menentukan ukuran data yang mewakili sebuah pixel.

Jenis-jenis image yang umumnya digunakan dalam image processing antara lain:

Grayscale image, RGB image (Color image), Binary Image, dan Special Image.

10

 

 

Jenis image yang paling sederhana adalah Binary Image, dimana sebuah

pixel hanya dapat menampung 2 buah nilai (1 bit) untuk mewakili warna hitam atau

putih. Binary Image termasuk ke dalam jenis grayscale image. Jenis image ini

umumnya digunakan untuk gambar grafik, pengarsipan dokumen, proses encoding

transmisi fax, dan pada banyak printer.

Grayscale image adalah jenis image yang terdiri dari 1 channel untuk

merepresentasikan tingkat intensitas cahaya pada gambar tersebut. Oleh karena itu,

Grayscale image juga dikenal dengan istilah intensity image. Nilai pixel pada

grayscale image umumnya berada pada rentang nilai 0-255 (1 byte atau 8 bit) untuk

mewakili intensitas cahaya. Nilai 0 mewakili keadaan gelap atau hitam, sedangkan

nilai maksimum mewakili intensitas sangat terang atau putih. Grayscale image

dengan rentang nilai yang lebih tinggi umumnya diperlukan untuk bidang-bidang

professional, bidang kesehatanm atau astronomi, dimana rentang nilai lebih dari 8 bit

digunakan pada bidang tersebut. Untuk lebih jelasnya, tabel berikut akan

memberikan gambaran lebih jelas mengenai rentang bit yang digunakan pada

grayscale image.

11

 

 

Jumlah Channel

Jumlah Bit atau Pixel

Range Digunakan untuk:

1 1 0...1 Binary Image: dokumen, fax, illustrasi grafik

1 8 0...255 Universal: foto, hasil scan, hasil print 1 12 0...4095 High Quality: foto, hasil scan, hasil

print 1 14 0...16383 Professional: foto, hasil scan, hasil

print 1 16 0...65535 Highest Quality: bidang kesehatan,

astronomi

Tabel 2.1 Rentang Grayscale image

Color image adalah jenis image yang digunakan untuk gambar-gambar

berwarna. Jenis Color image yang umumnya digunakan adalah jenis RGB image,

dimana RGB image terdiri dari 3 warna (Red, Green, Blue) yang dikombinasikan

dengan masing-masing intensitas berbeda untuk menghasilkan 1 warna pada masing-

masing pixel. Masing-masing warna pada RGB image merupakan warna dasar,

dimana jika ketiga warna tersebut dicampurkan dengan intensitas maksimum akan

menghasilkan warna putih. Sebuah pixel pada RGB image akan terdiri dari 3 channel

yang masing-masing channelnya akan berisi sebuah warna dengan intensitasnya

masing-masing. Untuk memetakan 1 buah channel atau warna pada suatu pixel,

umumnya diperlukan minimal 8-bit. Hal ini menyebabkan sebuah RGB image akan

memerlukan setidaknya 24-bit untuk setiap pixel yang digunakan. Jumlah bit

tersebut dapat ditambah sesuai keperluan dengan alasan yang sama pada grayscale

image. Meski pada camera digital dewasa ini mampu untuk mengambil suatu

12

 

 

gambar hingga memiliki kedalaman warna 36-bit, namun kebanyakan software yang

digunakan untuk keperluan image processing tidak mendukung manipulasi gambar

dengan kedalaman warna tersebut.

Gambar yang akan kita olah di dalam sebuah komputer berupa sebuah

file yang informasi di dalamnya akan dimasukkan ke dalam memori untuk

ditampilkan. Format yang digunakan pada file tersebut akan berpengaruh pada

aplikasi yang digunakan. Format file yang digunakan untuk menyimpan data sebuah

gambar ada berbagai macam, dimana perbedaan format file dapat menyebabkan

aplikasi tidak dapat berjalan karena tidak dapat mengambil informasi yang

dibutuhkan. Penentuan format file yang digunakan akan bergantung dari kemampuan

processor untuk membaca format file tertentu. Pada microprocessor ARM9, salah

satu format file yang dapat digunakan oleh prosessor tersebut adalah BMP.

BMP (Windows Bitmap) adalah salah satu format file yang paling

sederhana yang dikenal luas dan bebas digunakan. Oleh karenanya, format file BMP

umumnya dapat dibaca maupun ditulisi oleh program-program image processing

yang ada. Format file ini mendukung penyimpanan informasi untuk image jenis

grayscale dan color image. Setiap pixel pada format data ini disimpan menggunakan

1 byte utuh sehingga dalam keadaan tanpa kompresi, ukuran file yang dihasilkan

oleh format bitmap cenderung besar. Meski demikian, dengan metode kompresi

seperti ZIP, file dengan format BMP ini dapat dikurangi hingga berukuran 0.1% dari

ukuran awalnya. Hal ini dimungkinkan karena dalam format file BMP, banyak

terdapat data yang redundant.

13

 

 

Pada dasarnya ada 2 macam sistem koordinat yang diadopsi dalam

melakukan image processing. Salah satu sistem koordinat yang digunakan

menggunakan sudut kanan atas layar sebagai titik acu pertama mengikuti arah gerak

elektron seperti yang terjadi pada televisi. Pada sistem koordinat ini, sumbu x

bernilai positif dari kiri ke kanan sedangkan sumbu y bernilai positif dari atas ke

bawah. Sistem koordinat lain yang juga digunakan dalam tahap image processing

menggunakan pojok kiri bawah sebagai acuan awalnya dengan sumbu x bernilai

positif dari kiri ke kanan dan sumbu y bernilai positif dari bawah ke atas seperti

sistem koordinat Cartesian pada umumnya .Sistem koordinat yang digunakan pada

tahap image processing akan bergantung pada: sistem operasi yang digunakan,

format penyimpanan data, codec yang digunakan, dan lain-lain.

Jenis image yang akan digunakan pada proses pengenalan bentuk objek

nantinya adalah jenis grayscale image, namun jenis image yang umumnya didapat

langsung dengan menggunakan kamera adalah jenis full-color image (sRGB image),

maka diperlukan konversi dari sRGB image menjadi grayscale image. Konversi

tersebut melibatkan proses mencari nilai ekivalen untuk warna abu-abu dari

kombinasi ketiga warna tersebut pada suatu pixel. Algoritma paling sederhana

adalah dengan menjumlahkan ketiga nilai warna tersebut dan mencari rata-ratanya.

Namun cara ini akan menyebabkan warna yang dihasilkan tidak terpetakan dengan

tepat. Cara yang tepat untuk memetakan warna RGB menjadi abu-abu adalah dengan

menjumlahkan masing-masing komponen warna setelah dikalikan dengan beban

masing-masing sesuai persamaan berikut:

14

 

 

Y= wR . R + wG . G + wB . B

Y = Nilai representasi warna abu-abu yang diinginkan

wR , wG , wB = beban masing-masing komponen warna

R, G, B = nilai komponen warna (R=Red, G=Green, B=Blue)

Untuk RGB image yang linear, nilai beban masing-masing komponen

warna diatur melalui standar ITU-BT.709 untuk encoding warna digital. Namun,

pada gambar yang didapat melalui kamera, image yang didapat merupakan sRGB

image yang tidak linear sehingga proses konversi ini perlu melalui salah satu dari 2

tahap, sRGB dapat dilinearkan terlebih dahulu, atau dilakukan perhitungan untuk

mencari nilai beban yang berbeda. Nilai beban yang diatur pada ITU-BT.709 adalah

sebagai berikut:

wR = 0.2125 wG = 0.7154 wB = 0.072

Hubungan antara nilai besaran fisika sebenarnya dengan intensitas cahaya

yang terpetakan pada matriks dari suatu citra adalah non-linear. Jumlah cahaya yang

jatuh pada elemen sensor dari suatu kamera, jumlah partikel dari suatu toner pada

printer, jumlah cahaya yang dipancarkan oleh suatu monitor, semua hal tersebut

memiliki suatu nilai besaran fisika. Relasi antara nilai besaran fisika sebenarnya

dengan yang terpetakan pada nilai pixel dari suatu citra dilambangkan dengan simbol

gamma (γ). Relasi antara kedua nilai tersebut akan menjadi penting saat kita ingin

menyamakan intensitas cahaya yang didapat dari suatu aplikasi agar sesuai dengan

yang dipersepsikan mata manusia. Perbedaan karakteristik dari hardware yang

digunakan akan menyebabkan perbedaan pemetaan intensitas cahaya dari suatu nilai

15

 

 

pixel ke nilai fisika yang sebenarnya dan sebaliknya. Oleh karena itu, diperlukan

suatu proses untuk menyamakan pemetaan intensitas cahaya dari nilai pixel suatu

citra ke dalam ruang pemetaan yang seragam untuk berbagai macam hardware

dengan nilai bit minimum untuk memetakan intensitas cahaya tersebut. Proses ini

dikenal dengan istilah gamma correction. Proses gamma correction ini melibatkan

perhitungan matematis dengan fungsi gamma. Nilai gamma dari suatu hardware

umumnya didapat dari pengukuran dan disediakan oleh produsen hardware tersebut.

Suatu alat dengan nilai karakteristik gamma akan mengalami kompensasi dari proses

gamma correction. Meski hal ini akan membuat citra yang dihasilkan tampak sesuai

dengan persepsi manusia ,namun hal ini menyebabkan color image yang di dapat

langsung dari suatu alat menjadi suatu color image yang non-linear.

Simbol gamma yang digunakan berasal dari istilah yang digunakan pada

fotografi analog untuk menggambarkan relasi antara jumlah sinar dengan ketebalan

yang terjadi pada film, dimana relasi keduanya mendekati suatu fungsi logaritmik.

Jika fungsi logaritmitk tersebut dipetakan ke dalam sebuah grafik fungsi logaritmik,

akan terdapat sebagian wilayah yang mendekati linear untuk sebagian besar

intensitas cahaya, daerah linear inilah yang umumnya dikenal dengan istilah gamma

tersebut.

Tujuan dari pemrosesan citra adalah agar citra dapat dipersiapkan sesuai

kebutuhan. Dalam membangun aplikasi yang mampu mengenali atau mendeteksi

objek melalui kamera, terdapat beberapa kriteria yang dapat dijadikan acuan ukur.

Pendeteksian objek yang baik mampu mengenali objek tersebut meski objek

16

 

 

mengalami perubahan posisi. Istilah yang digunakan saat objek dapat dikenali meski

bergeser dari posisi semula adalah translation invariant. Agar pendeteksian objek

memiliki kemampuan tersebut, citra yang digunakan harus diproses terlebih dahulu.

Pada konversi dari color image (RGB image) menjadi grayscale image di

atas, rumus yang ada hanya berlaku untuk color image yang linear, dimana color

image tersebut merupakan color image sebelum mendapat proses gamma correction.

Pada kenyataannya, semua aplikasi pencitraan digital akan menghasilkan color

image yang non-linear karena proses gamma correction tersebut. Hal ini umumnya

dilakukan agar citra yang didapatkan dapat dengan mudah dihubungkan dengan

suatu display dan menghasilkan gambar yang sesuai dengan persepsi mata manusia

akan intensitas cahaya. Color image yang mendapat gamma correction akan

menjadi color image yang non-linear. Nilai beban yang diberikan juga harus

disesuaikan sebelum melakukan konversi menjadi grayscale image. Nilai beban

yang ditetapkan pada standar ITU-BT.709 dapat digunakan apabila color image yang

non-linear tersebut (sRGB) dilinearkan terlebih dahulu dengan invers fungsi gamma.

Hasil dari invers masing-masing komponen warna akan menjadi linear dan dapat

menggunakan nilai beban standar tersebut. Setelah dilinearkan, rumus di atas dapat

digunakan untuk mendapat intensitas grayscale yang diinginkan. Umumnya, setelah

didapatkan nilai intensitas grayscale tersebut, fungsi gamma diberikan sekali lagi

untuk mengembalikan nilai tersebut menjadi non-linear dengan nilai intensitas yang

dapat dipersepsikan dengan baik oleh manusia. Cara lain yang dapat digunakan

adalah dengan menggunakan aproksimasi atau pendekatan nilai beban untuk setiap

17

 

 

komponen warna. Dengan nilai approksimasi ini, nilai beban dapat langsung

digunakan untuk masing-masing komponen warna tanpa menjalani proses linearisasi

dari image tersebut dan umumnya cukup memadai untuk sebagian besar aplikasi..

Y'= w'R . R' + w'G . G' + w'B . B'

Y' = Nilai representasi warna abu-abu yang sesuai persepsi manusia

w'R , w'G , w'B = aproksimasi nilai beban masing-masing komponen warna

R', G', B' = nilai komponen warna image non-linear (R=Red, G=Green, B=Blue)

Contoh pendekatan nilai beban:

wR = 0.309 wG = 0.609 wB = 0.082

Suatu gambar mengandung banyak informasi yang dapat dipahami

dengan mudah oleh mata manusia secara garis besar atau abstrak. Komputer hanya

mengenali suatu gambar sebagai susunan angka yang diatur sedemikian rupa sesuai

warna, intensitas cahaya, dan format yang digunakan dalam mengemas informasi

tersebut. Dalam prakteknya, adalah penting untuk membatasi daerah kerja dari

komputer sehingga hanya bagian yang kita inginkan pada gambar saja yang diproses

oleh komputer dengan mengabaikan bagian lain yang tidak diingikan. Daerah kerja

tersebut dikenal dengan istilah ROI (Region Of Interest). Agar informasi yang

dibaca dari sebuah gambar oleh komputer memiliki arti yang sesuai dengan yang

diinginkan, perlu diterapkan algoritma-algoritma untuk mengartikan deretan angka

dari gambar tersebut. Algoritma yang digunakan dalam mengemas informasi

tersebut dikenal dengan istilah ekstraksi fitur (feature extraction).

18

 

 

Suatu edge pada image processing dapat didefinisikan sebagai bagian

pada gambar atau citra dimana intensitas cahaya pada daerah tersebut berubah secara

jelas mengikuti suatu arah atau orientasi tertentu. Semakin besar perubahan

intensitas cahaya yang terjadi, semakin tinggi kemungkinan terbentuknya edge pada

daerah tersebut. Secara matematis, hubungan antara jumlah perubahan dengan jarak

secara spasial dinyatakan sebagai turunan pertama suatu fungsi.

Untuk mendeteksi edge dari suatu gambar, dapat digunakan beberapa

metode. Salah satu metode deteksi edge yang umumnya digunakan adalah metode

Canny. Salah satu hal yang perlu diperhatikan pada saat mendeteksi suatu edge

adalah keabsahan edge tersebut. Pada metode-metode yang sudah ada sebelumnya

(seperti Prewitt, Sobel, dan lain-lain), masih terdapat titik-titik yang memiliki

karakteristik seperti edge namun bukan edge dari objek yang diinginkan. Titik-titik

tersebut didefinisikan sebagai edge semu yang dapat terjadi karena adanya noise

pada gambar tersebut. Metode ini merupakan salah satu metode yang sering

digunakan karena memiliki kemampuan lebih baik dalam mendeteksi edge yang

valid. Metode ini mampu memisahkan edge yang tidak sah dengan lebih baik

dibandingkan dengan metode yang ada sebelumnya.

Dalam metode Canny terdapat beberapa tahap yang dilakukan untuk

mendapatkan edge dari suatu gambar. Tahap pertama yang dilakukan adalah dengan

melakukan konvolusi image dengan filter Gaussian yang menghasilkan gambar lebih

buram dari aslinya. Hal ini perlu dilakukan agar pixel pada gambar tersebut tahan

terhadap perubahan kecil nilai akibat noise. Setelah gambar dikonvolusi dengan filter

19

 

 

Gaussian, arah dari edge yang terdapat pada gambar tersebut ditentukan dengan

menggunakan 4 buah filter arah dimana filter yang digunakan dapat berupa salah

satu detektor edge yang sudah ada seperti Robert, Prewitt, atau Sobel. Detektor edge

tersebut akan menghasilkan nilai turunan pertama yang terdiri dari elemen horizontal

(Gx) dan vertikal (Gy). Rumus berikut digunakan untuk mencari arah dari suatu

edge, dimana hasil sudut yang didapat dari perhitungannya akan dibulatkan ke salah

satu dari 4 arah, horizontal, vertikal , atau salah satu dari 2 diagonal.

Setelah menentukan estimasi arah, tahap berikutnya adalah menentukan besarnya

intensitas yang terdapat pada edge tersebut. Besarnya intensitas ini akan

dibandingkan dengan kriteria tertentu untuk menentukan apakah titik tersebut

merupakan edge yang asli atau bukan merupakan edge. Penentuan intensitas ini

dilakukan dengan memetakan area sebesar 3x3 pixel ke seluruh area pada gambar.

Pada tahap ini sudah dihasilkan sekumpulan edge halus dalam bentuk binary

image.Gradien intensitas yang besar pada suatu gambar umumnya dapat menyatakan

suatu edge. Namun, dalam sebagian besar kasus, sangat sulit menentukan nilai batas

intensitas (threshold) yang ideal. Oleh karenanya, metode Canny menggunakan 2

buah nilai batas sehingga membentuk suatu hysterisis. Awalnya, kita aplikasikan

batas atas terlebih dahulu untuk menentukan titik awal. Dari titik awal tersebut dapat

kita telusuri ke edge berikutnya menggunakan arah yang sudah kita dapat

sebelumnya dengan asumsi bahwa edge tersebut merupakan bagian dari suatu garis

20

 

 

kontinyu dan kita aplikasikan batas bawah dari hysterisis, dimana titik tersebut akan

dinyatakan sebagai edge jika masih berada di antara batas atas dan batas bawah ( di

dalam hysterisis). Selama kumpulan edge tersebut membentuk garis kontinyu, maka

edge tersebut dikatakan valid. Kumpulan edge yang membentuk satu garis kita kenal

dengan istilah kontur yang umumnya menandakan permukaan dari suatu objek.

Setelah proses aplikasi hysterisis, kita akan dapatkan suatu image yang sudah dapat

dipisahkan antara titik mana yang termasuk edge dan yang tidak termasuk edge.

Dalam menggunakan metode Canny, terdapat beberapa parameter yang

dapat kita ubah sesuai kebutuhan. Pada tahap awal metode Canny, kita dapat

mengubah parameter yang dibutuhkan filter Gaussian. Filter Gaussian yang lebih

kecil akan menghasilkan gambar yang lebih jelas dan efektif digunakan untuk

mendeteksi garis-garis yang jelas. Semakin besar filter Gaussian yang digunakan,

gambar hasil filter tersebut akan semakin buram dan semakin baik digunakan untuk

mendeteksi garis-garis yang halus, misalnya untuk mendeteksi garis pada pelangi.

Parameter lain yang perlu diatur pada metode Canny adalah nilai batas yang

digunakan pada hysterisis. Nilai batas atas yang terlalu tinggi dapat menyebabkan

adanya titik-titik penting yang terlewati, sedangkan nilai batas bawah yang terlalu

rendah dapat menyebabkan noise dikategorikan sebagai titik penting atau edge. Nilai

hysterisis ideal yang dapat digunakan akan sangat bergantung pada kondisi aplikasi

yang digunakan dan tidak dapat ditetapkan secara baku.

Pada pemrosesan citra, dilasi dapat didefinisikan sebagai proses

terbentuknya suatu daerah gabungan dari dua buah gambar dimana daerah yang

21

 

 

terbentuk adalah daerah yang dapat dijangkau oleh gambar yang satu dengan gambar

lain sebagai acuannya. Dengan kata lain, daerah yang terbentuk saat titik pusat suatu

gambar digerakkan menyusuri garis batas dari gambar acuannya adalah hasil dari

dilasi. Gambar berikut akan memberikan ilustrasi yang lebih jelas dari dilasi:

  

Gambar 2.2 Dilasi

(Sumber: http://en.wikipedia.org/wiki/File:Dilation.png)

Pada gambar tersebut, dilakukan dilasi antara kotak dengan jarak 10 dari titik pusat

dan lingkaran dengan radius 2 dari pusatnya. Kotak paling luar merupakan daerah

yang terbentuk dari dilasi keduanya Proses ini umumnya perlu dilakukan setelah

pendeteksian edge agar edge yang sudah ditemukan tersebut dapat konvergen dan

diharapkan membentuk suatu kontur.

OpenCV (Open Computer Vision) adalah salah satu open source library

yang dapat digunakan untuk membantu dalam melakukan image processing.

OpenCV telah menyediakan banyak fungsi yang mempermudah seseorang dalam

melakukan image processing. Dengan OpenCV, proses yang rumit seperti proses

22

 

 

grayscaling suatu image, proses deteksi edge maupun contour dari suatu gambar,

memisahkan kanal warna yang akan diproses, mengubah format gambar,

menentukan ROI (Region Of Interest) pada gambar , proses mengambil gambar dan

menampilkan gambar tersebut dari video atau kamera , memotong sebagian daerah

dalam gambar (crop), mengubah ukuran gambar (resize) ,dan berbagai proses yang

perlu kita lakukan pada suatu image menjadi jauh lebih mudah dan sederhana

dengan bantuan OpenCV.

2.2 Jaringan Saraf Tiruan

2.2.1 Definisi

Jaringan saraf tiruan (JST) (Bahasa Inggris: artificial neural

network (ANN), atau juga disebut simulated neural network (SNN), atau

umumnya hanya disebut neural network (NN)), adalah jaringan dari

sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf

manusia. JST merupakan sistem adaptif yang dapat merubah strukturnya

untuk memecahkan masalah berdasarkan informasi eksternal maupun internal

yang mengalir melalui jaringan tersebut. “Sebuah jaringan saraf adalah

sebuah prosesor yang terdistribusi paralel dan mempuyai kecenderungan

untuk menyimpan pengetahuan yang didapatkannya dari pengalaman dan

membuatnya tetap tersedia untuk digunakan. Hal ini menyerupai kerja otak

dalam dua hal yaitu: 1. Pengetahuan diperoleh oleh jaringan melalui suatu

23

 

 

proses belajar. 2. Kekuatan hubungan antar sel saraf yang dikenal dengan

bobot sinapsis digunakan untuk menyimpan pengetahuan.” (Haykin S, 1994).

Secara sederhana, JST adalah sebuah alat pemodelan data statistik non-linier.

JST dapat digunakan untuk memodelkan hubungan yang kompleks antara

input dan output untuk menemukan pola-pola pada data.

2.2.2 Konsep Dasar Jaringan Saraf Tiruan

Pembuatan struktur jaringan saraf tiruan diilhami oleh struktur

jaringan biologi, khususnya jaringan otak manusia. Untuk lebih mengenal

asal-usul serta bagaimana suatu struktur jaringan saraf tiruan dibuat dan

dapat dipakai sebagai suatu alat penghitung, berikut ini akan diulas sedikit

istilah yang secara umum digunakan. Neuron adalah satuan unit pemroses

terkecil pada otak, bentuk sederhana sebuah neuron yang oleh para ahli

dianggap sebagai satuan unit pemroses tersebut digambarkan sebagai

berikut:

24

 

 

Gambar 2.3 Struktur Dasar Jaringan Syaraf Tiruan

Gambar 2.4 Struktur Sederhana Sebuah Neuron

(Sumber: http://lecturer.eepis-its.edu/~kangedi/materi kuliah/Kecerdasan

Buatan/Bab 8 Jaringan Syaraf Tiruan.pdf)

Struktur pada gambar 2.3 dan 2.4 adalah bentuk standard dasar satuan unit

jaringan otak manusia yang telah disederhanakan. Bentuk standard ini

mungkin dikemudian hari akan berubah bila ada ilmuwan yang dapat

menciptakan bentuk standard yang lebih baik ataupun memperbaiki bentuk

standard yang digunakan saat ini. Jaringan otak manusia tersusun tidak

kurang dari 1013 buah neuron yang masing-masing terhubung oleh sekitar

1015 buah dendrite (J.J. Siang, 2005). Fungsi dendrite adalah sebagai

penyampai sinyal dari neuron tersebut ke neuron yang terhubung

dengannya. Sebagai keluaran, setiap neuron memiliki axon, sedangkan

bagian penerima sinyal disebut sinapsis. Secara umum jaringan saraf

terbentuk dari jutaan (bahkan lebih) struktur dasar neuron yang

25

 

 

terinterkoneksi dan terintegrasi antara satu dengan yang lain sehingga

dapat melaksanakan aktifitas secara teratur dan terus menerus sesuai dengan

kebutuhan.

2.2.3 Komponen Jaringan Saraf Tiruan

Ada beberapa tipe jaringan saraf tiruan, namun hampir semuanya

memiliki komponen - komponen yang sama. Seperti halnya otak manusia,

jaringan saraf juga terdiri dari beberapa neuron, dan ada hubungan antara

neuron – neuron tersebut. Pada jaringan saraf hubungan ini dikenal dengan

bobot. Informasi yang masuk pada neuron akan diolah dan dikirimkan lagi

pada neuron – neuron yg lain. Informasi itu disimpan pada suatu nilai

tertentu pada bobot tersebut.

Gambar 2.5 Model Tiruan Sebuah Neuron

(Sumber: http://lecturer.eepis-its.edu/~kangedi/materi kuliah/Kecerdasan

Buatan/Bab 8 Jaringan Syaraf Tiruan.pdf)

26

 

 

Pada jaringan saraf tiruan, neuron buatan ini bekerja mirip dengan cara kerja

neuron secara biologis. Informasi (input) akan dikirim ke neuron dengan

bobot kedatangan tertentu. Input ini akan diproses oleh suatu fungsi

perambatan yang akan menjumlahkan nilai – nilai semua bobot yang datang.

Hasil penjumlahan ini kemudian akan dibandingkan dengan suatu nilai

ambang (threshold) tertentu melalui fungsi aktifasi setiap neuron. Apabila

input tersebut melewati nilai ambang tertentu, maka neuron tersebut akan

diaktifkan, tapi kalau tidak, neuron tersebut tidak akan diaktifkan. Apabila

neuron tersebut diaktifkan, maka neuron tersebut akan mengirimkan bobot

ke neuron – neuron yang berhubungan dengannya. Demikian seterusnya.

Neuron – neuron pada jaringan saraf akan dikumpulkan dalam lapisan –

lapisan, yang sering disebut dengan neuron layer. Informasi yang diberikan

pada jaringan saraf akan dirambatkan dari lapisan ke lapisan mulai dari

lapisan input sampai lapisan output melalui lapisan – lapisan yang lain

(hidden layer). Informasi akan dirambatkan tergantung dari algoritma

pembelajarannya.

2.2.4 Arsitektur Jaringan Saraf Tiruan

Hubungan antar neuron dalam jaringan saraf mengikuti pola

tertentu, tergantung dari arsitektur jaringan sarafnya. Terdapat 3 jenis

arsitektur jaringan saraf (Kusumadewi, Sri. Sri Hartati, 2006, Neuro-Fuzzy),

yaitu :

27

 

 

- Jaringan saraf dengan lapisan tunggal (single layer net)

Arsitektur jaringan saraf ini hanya memiliki satu lapisan dengan bobot –

bobot yang terhubung. Jaringan ini hanya menerima input dan langsung

mengolahnya menjadi output tanpa harus melewati lapisan tersembunyi.

Jadi ciri – ciri dari arsitektur jaringan ini adalah hanya memiliki 1 lapisan

input dan 1 lapisan output tanpa ada lapisan tersembunyi.

Gambar 2.6 Single Layer Net

- Jaringan saraf dengan banyak lapisan (multi layer net)

Arsitektur jaringan ini memiliki 1 atau lebih lapisan tersembunyi diantara

lapisan input dan lapisan output. Secara umum, terdapat lapisan bobot

diantara 2 lapisan yang bersebelahan. Jaringan dengan banyak lapisan

dapat menyelesaikan masalah yang lebih rumit disbanding dengan

jaringan dengan lapisan tunggal, tentu dengan pembelajaran yang lebih

rumit pula.

28

 

 

Gambar 2.7 Multi Layer Net

- Jaringan saraf dengan lapisan kompetitif (competitive layer net)

arsitektur dengan jaringan ini memiliki bentuk yang berbeda dengan

arsitektur yang lainnya, dimana neuron – neuron dapat saling

dihubungkan.

Gambar 2.8 Competitive Layer Net

29

 

 

2.2.5 Mengaktifkan Jaringan Saraf Tiruan

Mengaktifkan jaringan saraf tiruan berarti mengkatifkan setiap

neuron yang dipakai pada jaringan tersebut. Ada beberapa fungsi aktifasi

yang sering digunakan dalam jaringan saraf tiruan (Kusumadewi, Sri. Sri

Hartati, 2006, Neuro-Fuzzy), antara lain :

- Fungsi Undak Biner (Hard Limit)

Jaringan dengan lapisan tunggal sering menggunakan fungsi undak (step

function) untuk menkonversi input dari suatu variable yang bernilai

kontinu ke suatu output biner. Fungsi hard limit dirumuskan

- Fungsi Bipolar (symmetric Hard Limit)

Hampir sama dengan fungsi hard limit hanya saja output yang dihasilkan

1, 0 atau -1. Fungsi symmetric hard limit dirumuskan

- Fungsi Linear (Identity)

Fungsi linear memiliki nilai output yang sama dengan nilai inputya.

Fungsi linear dirumuskan

Y = X

- Fungsi Saturating Linear

30

 

 

Fungsi saturating linear akan bernilai 0 jika outputnya kurang dari - ½ ,

dan akan bernilai 1 jika inputnya lebih dari ½. Jika input terletak antara –

½ dan ½ maka outputnya akan sama dengan nilai input ditambah ½ .

fungsi saturating linear dirumuskan

- Fungsi Symetric Saturating Linear

Fungsi ini memiliki nilai output -1 jika inputnya kurang dari -1, dan

bernilai 1 jika inputya lebih dari 1. Jika nilai input terletak antara -1

sampai 1 maka nilai output akan sama dengan nilai input. Fungsi

symmetric saturating linear dirumuskan

- Fungsi Sigmoid Biner

Fungsi ini digunakan untuk jaringan saraf yang dilatih dengan

menggunakan metode backpropagation. Fungsi sigmoid biner memiliki

nilai pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan

untuk jaringan saraf yang membutuhkan nilai output yang terletak pada

interval o sampai 1. Namun dapat digunakan juga oleh jaringan saraf

yang nilai outputnya 0 atau 1. Fungsi sigmoid biner dirumuskan

31

 

 

- Fungsi Sigmoid Bipolar

Fungsi ini hampir sama dengan fungsi sigmoid biner hanya saja memiliki

range antara -1 sampai 1. Fungsi sigmoid bipolar dirumuskan

Salah satu keuntungan fungsi sigmoid adalah bahwa derivatifnya dapat

dinyatakan dalam fungsi itu sendiri, yaitu

Karena fungsi tersebut telah dihitung selama perambatan maju pada

pelatihan maka waktu perhitungan rambat balik dapat dikurangi.

2.2.6 Parameter-Parameter Yang Digunakan Pada Jaringan Saraf Tiruan

- Learning rate ( α )

Learning rate yang besar mempercepat pengurangan eror terutama pada

tahap awal proses belajar JST. Walaupun konstanta belajar yang besar

dapat mempercepat proses belajar JST, namun ada kondisi tertentu

dimana tidak dapat tercapai eror minimum yang diinginkan, karena JST

terpental pada eror minimum yang sebenarnya. Bila digunakan konstanta

32

 

 

belajar yang kecil maka JST dapat mencapai eror minimum yang

diinginkan, namun proses belajar membutuhkan waktu yang lama

(Kanata, 2001).

- Momentum (β)

Semakin besar α maka pengurangan eror semakin besar, namun

seringkali eror tidak bisa mencapai eror minimum global, sehingga untuk

mengatasi hal tersebut digunakan laju belajar yang kecil, namun

membutuhkan jumlah iterasi yang besar. Untuk mengatasi hal tersebut

digunakan momentum yang dapat membantu proses pengurangan eror

pada jaringan lebih cepat (Kanata, 2001).

- Eror Minimum (Threshold)

Semakin kecil eror (ideal eror = 0) maka keluaran jaringan hampir sama

atau sama dengan target.

2.2.7 Algoritma Pelatihan Back Propagation

Algoritma pelatihan Backpropagasi (Backpropagation) atau

yang diterjemahkan menjadi propagasi balik, pertama kali dirumuskan oleh

Werbos dan dipopulerkan oleh Rumelhart dan McClelland untuk dipakai

pada JST. Algoritma ini termasuk metoda pelatihan supervised dan didesain

untuk operasi pada jaringan feedforward multi lapis. Metoda

backpropagation ini banyak diaplikasikan secara luas. Sekitar 90%, bahkan

lebih backpropagation telah berhasil diaplikasikan di berbagai bidang,

33

 

 

diantaranya diterapkan di bidang finansial, pengenalan pola tulisan tangan,

pengenalan pola suara, sistem kendali, pengolah citra medika dan masih

banyak lagi keberhasilan backpropagation sebagai salah satu metoda

komputasi yang handal. Algoritma ini juga banyak dipakai pada aplikasi

pengaturan karena proses pelatihannya didasarkan pada hubungan yang

sederhana, yaitu jika keluaran memberikan hasil yang salah, maka bobot

(Weight) dikoreksi supaya erornya dapat diperkecil dan respon jaringan

selanjutnya diharapkan akan lebih mendekati nilai yang benar.

backpropagation juga berkemampuan untuk memperbaiki bobot pada

lapisan tersembunyi (hidden layer).

Secara garis besar, algoritma ini disebut sebagai propagasi balik,

karena ketika jaringan diberikan pola masukan sebagai pola pelatihan maka

pola tersebut menuju ke unit-unit pada lapisan tersembunyi untuk diteruskan

ke unit-unit lapisan keluaran. Kemudian unit-unit lapisan keluaran

memberikan tanggapan yang disebut sebagai keluaran jaringan. Saat

keluaran jaringan tidak sama dengan keluaran yang diharapkan maka

keluaran akan menyebar mundur (backward) pada lapisan tersembunyi

diteruskan ke unit pada lapisan masukan. Oleh karenanya maka mekanisme

pelatihan tersebut dinamakan backpropagation atau propagasi balik. Tahap

pelatihan merupakan langkah bagaimana suatu jaringan saraf tiruan berlatih,

yaitu dengan cara melakukan perubahan bobot (sambungan antar lapisan

yang membentuk jaringan melalui masing-masing unitnya). Sedangkan

34

 

 

pemecahan masalah baru akan dilakukan jika proses pelatihan tersebut

selesai. Fase ini disebut pengujian atau testing.

Algoritma pelatihan backpropagation terdiri dari dua proses,

perambatan maju (feedforward) dan backpropagation dari erornya. Selama

perambatan maju, tiap unit masukan (xi) menerima sebuah masukan sinyal

ini ke tiap-tiap lapisan tersembunyi z1,…..,zp. Tiap unit tersembunyi ini

kemudian menghitung aktivasinya dan mengirimkan sinyalnya (zj) ke tiap

unit keluaran. Tiap unit keluaran (yk) menghitung aktivasinya (yk) untuk

membentuk respon pada jaringan untuk memberikan pola masukan. Selama

pelatihan, tiap unit keluaran membandingkan perhitungan aktivasinya yk

dengan nilai targetnya tk untuk menentukan kesalahan pola tersebut dengan

unit itu. Berdasarkan kesalahan ini, faktor δk (k = 1,..,m) dihitung. δk

digunakan untuk menyebarkan kesalahan pada unit keluaran yk kembali ke

semua unit pada lapisan sebelumnya (unit-unit tersembunyi yang

dihubungkan ke yk). Juga digunakan (nantinya) untuk mengupdate bobot-

bobot antara keluaran dan lapisan tersembunyi. Dengan cara yang sama,

faktor (j = 1,…,p) dihitung untuk tiap unit tersembunyi zj. Tidak perlu untuk

menyebarkan kesalahan kembali ke lapisan masukan, tetapi δj digunakan

untuk mengupdate bobot-bobot antara lapisan tersembunyi dan lapisan

masukan. Setelah seluruh faktor δ ditentukan, bobot untuk semua lapisan

diatur secara serentak. Pengaturan bobot wjk (dari unit tersembunyi zj ke

35

 

 

unit keluaran yk) didasarkan pada faktor δk dan aktivasi zj dari unit

tersembunyi zj didasarkan pada faktor δj dan dan aktivasi xi unit masukan.

Untuk jelasnya dapat dijelaskan rinciannya sebagai berikut: 

Langkah 0:

Pemberian inisialisasi bobot (diberi nilai kecil secara acak).

Langkah 1:

Ulangi langkah 2 hingga 9 sampai kondisi akhir iterasi dipenuhi.

Langkah 2:

Untuk masing-masing pasangan data pelatihan (training data) lakukan

langkah 3 hingga 8.

Propagasi maju atau feedforward:

Langkah 3:

Masing-masing unit masukan (Xi, i = 1,....n) menerima sinyal masukan Xi

dan sinyal tersebut disebarkan ke unit-unit bagian berikutnya (unit-unit

lapisan tersembunyi).

Langkah 4:

Masing-masing unit dilapisan tersembunyi dikalikan dengan faktor bobot

dan dijumlahkan serta ditambah dengan biasnya:

Kemudian menghitung sesuai dengan fungsi aktifasi yang digunakan:

36

 

 

bila yang digunakan adalah fungsi sigmoid maka bentuk fungsi tersebut

adalah:

Kemudian mengirim sinyal tersebut ke semua unit keluaran (unit keluaran).

Zj = Unit ke-j pada lapisan tersembunyi

Z_inj = keluaran untuk unit Zj

V0j = nilai bobot sambungan pada bias untuk unit Zi

Vij = nilai bobot sambungan dari unit Xi ke unit Zi

Langkah 5:

Masing-masing unit keluaran (yk, k = l,2,3...m) dikalikan dengan faktor

bobot dan dijumlahkan:

Menghitung kembali sesuai dengan fungsi aktifasi

Yk = unit ke -k pada lapisan keluaran

Y_ink = net masukan untuk unit Yk

W0k = nilai bobot sambungan pada bias untuk unit Yk

Wjk = nilai bobot sambungan dari Zij ke unit Yk

Backpropagasi dan erornya:

37

 

 

Langkah 6:

Masing-masing unit keluaran (Yk, k = l,...,m) menerima pola target sesuai

dengan pola masukan saat pelatihan atau training dan dihitung erornya:

karena f ’(y_ink) = yk menggunakan fungsi sigmoid, maka:

Menghitung perbaikan faktor bobot (kemudian untuk memperbaiki wjk).

Menghitung perbaikan koreksi:

dan menggunakan nilai δk pada semua unit lapisan sebelumnya.

δk = faktor pengaturan nilai bobot sambungan pada lapisan keluaran

α = konstanta laju pelatihan (leaming rate) 0 < α < 1

Langkah 7:

Masing-masing bobot yang menghubungkan unit-unit lapisan keluaran

dengan unit-unit pada lapisan tersembunyi (Zj ,j=1..,p) dikalikan delta dan

dijumlahkan sebagai masukan ke unit-unit lapisan berikutnya.

38

 

 

Selanjutnya dikalikan dengan turunan dari fungsi aktifasinya untuk

menghitung eror.

Kemudian menghitung perbaikan bobot (digunakan untuk memperbaiki

Vij).

Kemudian menghitung perbaikan bias (untuk memperbaiki v0j).

δj = faktor pengaturan nilai bobot sambungan pada lapisan tersembunyi

Memperbaiki bobot dan bias:

Langkah 8:

Masing-masing keluaran unit (yk, k=1,..,m) diperbaiki bias dan bobotnya (j

= 0,...,p).

Masing-masing unit tersembunyi (Zj, j: 1,....,p) diperbaiki bias dan

bobotnya (j=0,...,n).

Langkah 9:

Uji kondisi pemberhentian.

39

 

 

Untuk pembaharuan nilai bobot terdapat tambahan metode yang dapat

digunakan yaitu dengan menggunakan momentum yang didasarkan pada

kombinasi antara gradien sekarang dengan gradien yang lalu. Hal ini

berguna jika terdapat beberapa data pelatihan yang sangat berbeda dari

mayoritas data pelatihan yang lain. Untuk menggunakan momentum ini,

nilai bobot dari satu atau lebih lapis sebelumnya harus disimpan. Persamaan

pembaharuan nilai bobot dengan menggunakan momentum adalah:

β = konstanta momentum 0 < β < 1

2.3 ARM (Advanced RISC Machine)

ARM adalah 32-bit RISC arsitektur prosesor yang dikembangkan oleh

ARM Limited yang banyak digunakan dalam desain embedded. Karena fitur

penyimpan dayanya, ARM sangat dominan di pasar elektronik, di mana konsumsi

daya rendah adalah tujuan penting perancangan. Prosesor ARM menyediakan fitur-

fitur:

‐ Untuk aplikasi-aplikasi yang membutuhkan keamanan.

‐ Untuk embedded real-time system.

‐ Untuk menjalankan berbagai macam sistem operasi.

‐ 16 × 32-bit file register yang seragam

‐ Arsitektur loadataustore.

40

 

 

‐ Single-cycle execution (sebagian besar)

Kelebihan desain ARM adalah penggunaan suatu kondisi kode 4-bit di bagian depan

setiap instruksi, yang berarti bahwa pelaksanaan setiap instruksi adalah kondisi

opsional. Arsitektur CPU lainnya biasanya hanya mempunyai kondisi kode pada

cabang instruksi. ARM prosesor ia juga memiliki beberapa fitur jarang dilihat pada

arsitektur RISC lainnya, seperti PC- relative addressing (memang, pada ARM PC

adalah salah satu dari 16 register) dan pre- dan post-increment addressing modes.

Beberapa prosesor ARM awal (sebelum ARM7TDMI), tidak memiliki instruksi

untuk menyimpan dua byte kuantitas.

Prosesor yang digunakan pada beagle board adalah prosesor ARM Cortex-

A8. Prosesor ARM Cortex-A8 adalah prosesor aplikasi pertama dengan arsitektur

ARMv7 dan merupakan posesor dengan kinerja tertinggi serta memiliki daya paling

efisien yang tersedia dari ARM. ARM Cortex-A8 prosesor adalah prosesor

superscalar pertama yang menampilkan kode teknologi untuk meningkatkan

kerapatan dan kinerja, teknologi NEON untuk multimedia dan pengolahan sinyal,

dan teknologi Jazelle RCT (Runtime Compilation Target) untuk mendukung efisiensi

kompilasi Java dan bytecode bahasa lainnya.

41

 

 

Gambar 2.9 Diagram Blok ARM CORTEX-A8

(Sumber: http://www.arm.com/products/processors/cortex-a/cortex-a8.php)

2.4 Embedded System

Embedded System adalah sebuah aplikasi yang mengandung paling sedikit

sebuah program yang dapat dprogram (sejenis mikrokontroler, mikroprosesor atau

42

 

 

chip prosesor sinyal digital) dan digunakan oleh orang-orang yang pada dasarnya

tidak menyadari bahwa itu adalah sistem berbasis komputer (Pont, 2001, p9).

Embedded System adalah perangkat elektronik yang menyertakan sebuah

komputer (biasanya mikroprosesor) di dalam implementasinya. Sebuah komputer

yang digunakan di dalam perangkat tersebut adalah untuk menyederhanakan system

dan memberikan fleksibilitas. Kadang pengguna perangkat tidak menyadari adanya

sebuah komputer (Daniel W. Lewis, 2002, p17).

2.5 Beagle Board

2.5.1 Introduksi

Beagle Board adalah sebuah Single Board Computer (SBC) yang

berbasiskan TI OMAP3530 . TI OMAP3530 (Texas Instrument Open

Multimedia Application Platform) adalah sebuah platform yang

dikembangkan oleh Texas Instrument untuk aplikasi – aplikasi multimedia

yang berbasiskan pada embedded ARM Cortex 8. Platform OMAP ini telah

banyak digunakan di berbagai macam device seperti handphone NOKIA seri

N dan seri E, juga Sony Ericson. Seperti selayaknya komputer, Beagle Board

memiliki feature-feature seperti yang dimiliki oleh computer, seperti port

USB, koneksi serial, audio-video output, dll.

43

 

 

Gambar 2.10 Skenario Penggunaan Beagle Board

(Sumber: http://beagleboard.org/static/BBSRM_latest.pdf)

Beagle board berukuran sekitar 3" x 3" dan memiliki semua

fungsionalitas komputer dasar. OMAP3530 meliputi CPU Cortex-A8 ARM

(yang dapat menjalankan Windows CE, Linux atau Symbian), sebuah

TMS320C64x + DSP untuk menjalankan video dan audio decoding, dan

Imagination Technologies PowerVR SGX530 GPU untuk menjalankan 2D

dan 3D rendering yang mendukung OpenGL ES 2,0. Output video terhubung

melalui S-Video dan koneksi HDMI. Sebuah SD atau MMC card slot

mendukung SDIO, port USB On-the-Go, sebuah koneksi serial RS-232,

sebuah koneksi JTAG, dan dua buah stereo jack 3.5 mm untuk audio in atau

44

 

 

out.

Built-in memori dan storage disediakan melalui chip PoP yang mencakup

256MB memori flash NAND dan 128MB RAM. Board memerlukan daya

2W yang bisa didapat dari koneksi USB atau dari power supply 5v yang

terpisah. Karena konsumsi daya yang efisien, beagle board tidak memerlukan

pendinginan tambahan.

Gambar 2.11 Beagle Board

(Sumber: http://beagleboard.org/hardware)

2.5.2 Fitur-Fitur Beagle Board

Beagle board menggunakan OMAP3530 versi ES3.0 beserta sebuah

PoP (Package on Package) 0.4 mm. PoP adalah suatu teknik di mana

memori, NAND dan SDRAM, yang dipasang pada bagian atas OMAP3530.

45

 

 

Karena itu pada beagle board tidak akan ditemukan bagian berlabel

OMAP3530. Memori PoP yang digunakan pada beagle board Rev C3 yaitu

Micron dan sudah terpasang pada bagian atas prosesor. Fungsi dari memori

PoP adalah untuk menyediakan 2Gb NAND x 16 (256MB) dan 2Gb MDDR

SDRAM x32 (256MB @ 166MHz). Tidak ada perangkat memori lain di

BeagleBoard. Namun ada kemungkinan, bahwa tambahann memori dapat

ditambahkan ke beagle board dengan menginstal sebuah perangkat berbasis

NAND di slot SD atau MMC atau menggunakan port USB OTG dan hub

USB untuk USB Thumb drive atau hard drive. Dukungan untuk ini

bergantung pada dukungan driver di OS. Pada Rev C3, port host USB dapat

digunakan selain port OTG.

46

 

 

Tabel 2.2 Fitur-Fitur Beagle Board

TPS65950 digunakan pada Rev C3 untuk memberikan daya kepada

beagle board dengan pengecualian dari regulator 3.3 V yang digunakan

untuk menyediakan listrik ke DVI-D encoder dan driver RS232. Selain

memberika daya, TPS65950 juga menyediakan stereo audio out, stereo audio

in, reset power on, USB OTG PHY dan status LED. Port OTG HS USB 2.0

merupakan sumber energi utama dan link untuk komunikasi beagle board

dan daya berasal dari PC melalui kabel USB. Port klien dalam kebanyakan

kasus dibatasi oleh PC sampai 500mA. Sebuah port USB PC cukup untuk

daya beagle board. Jika perangkat tambahan yang terhubung ke ekspansi bus

47

 

 

dan jalur 5V digunakan, maka daya yang diperlukan bisa melebihi yang

disediakan oleh port USB atau Hub.

Diperlukan penggunaan kabel Y jika daya tambahan dibutuhkan untuk kedua

host port USB atau kartu ekspansi. Gambar 2 menunjukkan dan contoh dari

Y-Cable untuk USB.

Gambar 2.12 USB Y-Cable

Beagle board memerlukan satu minAB untuk kabel USB A atau

sebagaimana disebutkan Y-Cable dapat digunakan jika diperlukan.

Ada pilihan untuk memberikan daya eksternal ke beagle board.

Board menggunakan supply DC 5V. Pada board Rev C3 USB HS, hanya host

port yang disediakan melalui konektor USB Tipe A. Konektor USB Tipe A

menyediakan control power on-off dan arus sampai 500mA pada 5V. Sebuah

standar output stereo jack audio 3.5mm disediakan untuk mengakses CODEC

audio output stereo on board. CODEC audio disediakan oleh TPS65950.

Sebuah standar 3.5mm jack audio input stereo disediakan untuk mengakses

48

 

 

CODEC audio output stereo onboard. 4 pin konektor DIN disediakan untuk

mengakses output S-Video BeagleBoard. Ini adalah output terpisah dari

prosesor OMAP dan dapat berisi data output video yang berbeda dari apa

yang ditemukan pada output DVI-D. Ini akan mendukung format NTSC atau

PAL standar output ke TV. Default adalah NTSC, tetapi dapat diubah melalui

perangkat lunak.

Beagle board dapat menjalankan panel LCD yang dilengkapi

dengan input digital DVI-D. Ini adalah standar antarmuka panel LCD dari

OMAP3530 dan akan mendukung 24b output warna. DDC2B (Display Data

Channel) atau EDID (Enhanced Display ID) yang merupakan dukungan atas

I2C disediakan dalam rangka untuk memungkinkan identifikasi jenis monitor

LCD dan pengaturan. Beagle board dilengkapi dengan konektor DVI-D yang

menggunakan konektor HDMI. Beagle board tidak mendukung antarmuka

full HDMI dan digunakan untuk menyediakan antarmuka bagian DVI-D saja.

Pengguna harus menggunakan kabel atau adaptor HDMI to DVI-D untuk

terhubung ke monitor LCD. Kabel atau adaptor ini tidak dilengkapi dengan

beagle board. Kabel HDMI standar dapat digunakan saat terhubung ke

monitor dengan konektor HDMI.

Konektor 6 in 1 SD atauMMC disediakan sebagai sarana untuk

ekspansi dan dapat mendukung perangkat seperti WiFi cards, kamera,

bluetooth cards, Modul GPS, SD Memory Card, MMC Memory cards, SDIO

cards, MMC Mobile cards, RS-MMC cards, dan miniSD cards. Salah satu

49

 

 

fitur yang baik adalah bahwa OMAP3530 dapat di-boot dari SD atau MMC.

Dengan memegang tombol dan memaksa reset, beagle board akan boot dari

SD atau MMC. Ketika tombol reset ditekan dan dilepaskan, menyebabkan

reset beagle board. Reset tidak akan bekerja saat kernel Linux sedang

berjalan. Untuk mereset board melalui operasi kernel, diperlukan sebuah

siklus daya. Tombol user atau boot yang disediakan di beagle board

menyediakan dua fungsi, yaitu memaksa perubahan dalam urutan boot dari

OMAP3530 dan digunakan sebagai tombol aplikasi yang dapat digunakan

oleh software yang diperlukan. Ketika digunakan bersama dengan tombol

RESET, hal ini akan memaksa perubahan dengan urutan boot sumber yang

diperiksa sebagai sumber boot layak.

Jika tombol ditekan sementara tombol RESET dilepaskan, urutan menjadi:

USB, UART, MMC1, NAND. Meskipun NAND mungkin memiliki program

di dalamnya, jika kartu ditempatkan di slot MMC, itu akan mencoba untuk

boot terlebih dahulu. Jika tidak ada, maka akan boot dari NAND.

Ada juga pilihan untuk memiliki aplikasi download serial yang akan

memrogram NAND jika terhubung ke port serial atau USB. Dalam skenario

ini ROM internal akan berhenti di serial atau port USB dan memulai proses

download dari sana. Itu memerlukan aplikasi untuk dijalankan pada host PC

dalam rangka melakukan fungsi ini. Jika pengguna tidak menekan tombol di

reset, urutan di mana ROM internal terlihat untuk sumber-sumber yang layak

boot adalah NAND, USB, UART3, MMC1. Dalam kasus ini, NAND

50

 

 

menggantikan setiap pilihan dan akan selalu melakukan boot dari NAND jika

ada data dalam NAND. Jika NAND kosong, maka sumber-sumber lain yang

tersedia digunakan berdasarkan urutan boot.

Ada tiga LED hijau di BeagleBoard yang dapat dikendalikan oleh

pengguna. Satu di TPS65950 yang diprogram melalui antarmuka I2C. Dua

pada Processor OMAP3530 dikontrol via pin GPIO. Ada LED keempat pada

beagle board yang memberikan indikasi bahwa daya diberikan ke board.

Daya akan diberikan melalui konektor USB OTG dan jika timbul kebutuhan

untuk tambahan daya, seperti ketika board ditambahkan ke konektor

ekspansi, pasokan 5V dapat dipasang ke jack daya opsional. Ketika pasokan

terpasang, itu

akan menghapus jalur daya dari konektor USB dan akan menjadi sumber

daya bagi seluruh board. Catu daya tidak disediakan dengan beagle board.

Bila menggunakan port USB OTG dalam modus host, suplai DC harus

tersambung sebagai port USB yang akan digunakan untuk memberikan daya

terbatas ke hub di maksimum 100mA, sehingga harus powered hub.

14 pin header JTAG yang disediakan di beagle board untuk

memfasilitasi pengembangan software dan debugging dari forum dengan

menggunakan berbagai JTAG emulator. Dukungan untuk RS232 melalui

UART3 ini disediakan oleh 10 pin header di beagle board untuk akses ke

RS232 transceiver onboard. Itu membutuhkan kabel datar IDC to DB9, yang

tidak disediakan, untuk mengakses port serial. Satu pilihan untuk 28 pin

51

 

 

header expansi ini disediakan di board untuk memungkinkan sambungan

berbagai kartu ekspansi yang dapat dikembangkan oleh pengguna atau

sumber lain. Header ini tidak dihuni pada beagle board sehingga berdasarkan

skenario penggunaan dapat diisi sesuai kebutuhan (Atas, Bawah, Kanan atas

sudut, atau Bottom Sudut siku-siku).

Gambar 2.13 Diagram Blok Sistem Beagle Board

(Sumber: Beagle Board System Reference Manual Rev C3, 2009, p41)