perancangan sistem robot mobil pendeteksi bola

PERANCANGAN SISTEM ROBOT MOBIL
PENDETEKSI BOLA TENIS MEJA
Ario Witjakso1; Puspita Harum Larasati2; Andi Nurdiansah3; Nathaniel4
Jurusan Sistem Komputer, Fakultas Ilmu Komputer, BINUS University
Jalan K.H. Syahdan No. 9, Palmerah, Jakarta Barat 11480
ABSTRACT
Computer vision is a branch of science supported developing robotics industry in many
benefits. The purpose of the research is to design a robot mobil which could detect object (pingpong balls) and estimate probable distance to approach the object. This research is hoped to be
useful in the next robot contests or other application. The method used in this object detection
research is integral image technique. Algorithm AdaBoost (Adaptive Boosting) is used to choose
best features from other tens of thousands features.
Keywords: image processing, ping-pong balls, AdaBoost, integral image.
ABSTRAK
Computer Vision merupakan salah satu cabang ilmu yang mendukung perkembangan
industri robotika yang mengalami perkembangan pesat dalam berbagai kegunaannya. Tujuan dari
penelitian ini adalah merancang sebuah robot mobil yang dapat mendeteksi objek (dalam hal ini
adalah bola ping-pong) dan mengestimasi jarak agar dapat melakukan pergerakan untuk
mendekati objek tersebut, yang diharapkan dapat berguna dalam kontes-kontes robot mendatang
ataupun aplikasi lainnya. Metode yang digunakan dalam pendeteksian objek pada penelitian ini
adalah dengan teknik integral image. Algoritma AdaBoost (Adaptive Boosting) digunakan untuk
memilih fitur-fitur terbaik dari puluhan ribu fitur lain yang mungkin dapat digunakan.
Kata kunci: image processing, bola ping-pong, AdaBoost, integral image.
Perancangan Sistem Robot... (Ario Witjakso; dkk)
153
PENDAHULUAN
Semakin banyaknya kontes-kontes robot yang melibatkan penggunaan vision di dalamnya,
memperlihatkan semakin berkembangnya penelitian-penelitian di bidang robotika. Salah satu
contoh dari kontes robot yang sudah ada adalah RoboSoccer, sebuah robot mobil yang dapat mentracking bola berdasarkan keunikan warna bola tersebut. Dalam jurnal ini hanya akan dibahas
tentang bagaimana robot mobil dapat mendeteksi objek yang diinginkan, yakni bola ping-pong dan
dapat melakukan pergerakan mendekati objek tersebut dengan pengestimasian jarak dan posisi
antara objek dengan robot mobil. Metode pendeteksian objek yang digunakan pada jurnal ini
adalah integral image.
Metode ini menggunakan fitur-fitur, yang merupakan fitur versi mini dari fungsi basis Haar
(Haar basis functions). Kelebihan dari metode ini dibandingkan dengan metode scaning pada citra
secara piksel per piksel adalah kecepatannya. Citra di-scan dengan menggunakan fitur-fitur yang
telah dipilih sebelumnya dengan ukuran fitur terkecil 16x16 piksel. Algoritma AdaBoost akan
menentukan fitur-fitur terbaik yang akan digunakan dalam melakukan pendeteksian. Di dalam
algoritma AdaBoost, kita telah men-training gambar-gambar yang terdiri dari positive image (yaitu
objek berupa bola ping-pong) dan negative image (objek selain bola ping-pong) yang akan
dijadikan gambar acuan dalam komputasi fitur. Fitur-fitur yang telah dipilih dengan menggunakan
algoritma AdaBoost tadi dan mendapati hasil yang dideteksi (bola ping-pong), akan ditandai
dengan sebuah sub-window. Kumpulan dari beberapa sub-window akan digabungkan (merge),
sehingga akan tampak sebuah sub-window baru yang menandakan bahwa objek yang diinginkan
telah didapat. Dengan metode seperti ini diharapkan dapat memperkecil kesalahan dalam
pendeteksian. Akan tetapi beberapa kelemahan masih dapat terjadi, antar lain karena faktor
pencahayaan, warna objek lain, dan warna latar belakang. Setelah proses pendeteksian objek
selesai, perhitungan jarak dilakukan guna mengestimasi jarak dan posisi yang harus ditempuh robot
mobil untuk mendekati bola. Pergerakan robot mobil pada penelitian ini belum dilakukan secara
real time.
PEMBAHASAN
Pembahasan meliputi seluruh bagian dari sistem yang meliputi, yaitu webcam, PC, dua
buah motor servo, dan mikropengendali AT89S52, seperti ditunjukkan pada gambar 1:
Gambar 1 Sistem secara keseluruhan
154
Jurnal Teknik Komputer Vol. 18 No. 2 Agustus 2008: 153 - 163
Algoritma yang digunakan dalam penelitian ini terdiri atas 3 modul utama (Gambar 2),
yakni modul komputasi fitur, modul learning (pemilihan fitur), dan modul pencarian bola.
Komputasi fitur merupakan proses untuk menentukan nilai threshold dari setiap fitur yang
digunakan berdasarkan teknik perhitungan integral image. Selanjutnya adalah pemilihan fitur yang
merupakan proses untuk melakukan pemilihan fitur-fitur terbaik yang akan digunakan, dengan
menggunakan algoritma AdaBoost. Sementara, pencarian bola termasuk proses scaning, merging,
dan pengkalkulasian jarak dan posisi objek.
Gambar 2 Proses Pendeteksian Objek
1. Modul Komputasi Fitur
Modul komputasi fitur digunakan untuk menentukan nilai threshold dari setiap fitur yang
digunakan. Prosedur penelitian ini mengklasifikasikan citra berdasarkan nilai dari fitur-fitur
sederhana yang digunakan. Alasan pemilihan penggunaan fitur dibandingkan dengan penggunaan
piksel per piksel adalah kecepatan pemrosesannya. Fitur yang digunakan merupakan versi mini dari
fungi basis Haar (Haar basis functions). Dalam penelitian ini digunakan 3 jenis fitur, yaitu fitur
dengan 2 persegi panjang, fitur dengan 3 persegi panjang, dan fitur dengan 4 persegi panjang.
Gambar 3 menunjukan contoh dari fitur-fitur yang digunakan.
Gambar 3 (A) dan (B) merupakan fitur dengan 2 persegi panjang, (C) merupakan fitur dengan 3 persegi
panjang, dan (D) merupakan fitur dengan 4 persegi panjang
Perancangan Sistem Robot... (Ario Witjakso; dkk)
155
Cara perhitungan fitur ialah dengan menggunakan integral image. Integral image
merupakan penjumlahan dari seluruh piksel yang berada dalam persegi panjang berwarna putih
dikurangi dengan seluruh jumlah piksel yang ada di persegi panjang berwarna abu-abu, seperti
pada Gambar 4.
Gambar 4 Contoh gambar bola grayscale dengan fitur A, B, C, dan D.
2. Modul Learning (Pemilihan Fitur)
AdaBoost (Adaptive Boosting)
AdaBoost merupakan sebuah algoritma learning yang banyak digunakan dalam masalah
pengklasifikasian. Dalam penelitian ini AdaBoost digunakan untuk memilih fitur-fitur yang baik
(weak-classifier) dan membentuk sebuah strong-classifier (kumpulan dari beberapa weakclassifier). Untuk kemudahan dalam pembacaan dan penyusunan buku, maka hanya akan diberikan
ilustrasi cara kerja AdaBoost menggunakan 30 gambar dan 4 fitur (pada percobaan sebenarnya,
digunakan 60 gambar dan 112 fitur) dengan ukuran gambar training 16 x 16 piksel. Gambar 5
menunjukkan gambar-gambar yang digunakan untuk training, dengan 6 gambar positif (gambar
bola) dan 24 gambar negatif (gambar bukan bola).
Gambar 5 contoh gambar yang digunakan untuk training
(6 gambar positif dan 24 gambar negatif)
Dan gambar di bawah menunjukkan 4 fitur yang digunakan untuk ilustrasi proses
pemilihan fitur dengan AdaBoost.
Gambar 6 Beberapa contoh fitur yang digunakan
Tabel 1 menunjukkan hasil klasifikasi dengan menggunakan 4 fitur.
156
Jurnal Teknik Komputer Vol. 18 No. 2 Agustus 2008: 153 - 163
Tabel 1 Hasil klasifikasi fitur
Fitur 1
Fitur 2
Fitur 3
9
9
9
Gambar 1 *
9
9
9
Gambar 2 *
9
9
9
Gambar 3 *
9
9
9
Gambar 4 *
9
9
9
Gambar 5 *
9
9
9
Gambar 6 *
9
9
9
Gambar 7 **
9
9
9
Gambar 8 **
9
9
8
Gambar 9 **
9
9
8
Gambar 10 **
8
9
8
Gambar 11 **
9
9
8
Gambar 12 **
8
9
8
Gambar 13 **
9
9
8
Gambar 14 **
9
9
8
Gambar 15 **
9
9
8
Gambar 16 **
9
9
9
Gambar 17 **
9
9
9
Gambar 18 **
9
9
9
Gambar 19 **
9
9
8
Gambar 20 **
9
9
8
Gambar 21 **
9
9
8
Gambar 22 **
9
9
8
Gambar 23 **
8
9
8
Gambar 24 **
9
9
9
Gambar 25 **
9
9
8
Gambar 26 **
9
9
8
Gambar 27 **
9
9
8
Gambar 28 **
8
8
9
Gambar 29 **
9
9
9
Gambar 30 **
9 = Gambar berhasil diklasifikasi dengan benar oleh fitur bersangkutan
8 = Gambar yang salah diklasifikasi oleh fitur bersangkutan
* = Gambar positif
** = Gambar negatif
Fitur 4
9
9
9
9
9
9
9
9
8
8
9
8
8
8
8
8
9
9
9
8
9
9
8
8
9
9
9
8
9
8
Berdasarkan tabel 1, dilihat dari jumlah gambar yang berhasil diklasifikasi dengan benar,
fitur 2 terpilih sebagai fitur terbaik, disusul oleh fitur 1, fitur 4 dan terakhir fitur 3. Akan tetapi,
dengan menggunakan algoritma AdaBoost, urutan Fitur terbaik ialah Fitur 2, disusul oleh Fitur 4,
Fitur 3 dan Fitur 1. AdaBoost menggunakan sistem pembobotan untuk masing-masing gambar.
Pada umumnya AdaBoost dilatih dengan menggunakan jumlah gambar positif yang lebih sedikit
dibandingkan dengan gambar negatif, sehingga memberikan nilai bobot untuk gambar positif yang
sedikit lebih tinggi dibanding dengan gambar negatif, dengan tujuan supaya kesalahan deteksi pada
benda yang bukan bola menjadi lebih kecil (Viola & Jones, 2001). Algoritma AdaBoost yang
secara umum dipakai untuk pengklasifikasian ialah sebagai berikut:
1. Input berupa gambar untuk training
, dengan = gambar, = 1 untuk gambar positif,
= 0 untuk gambar negatif, dan i ialah jumlah gambar dengan i = 1.....N
, dengan m = jumlah gambar negatif, dan l = jumlah
2. Inisialisasi bobot awal
gambar positif
3. For t = 1...........T , dimana t ialah jumlah iterasi (tergantung dari banyaknya fitur yang akan
dipilih)
a. Normalisasi semua bobot, sehingga penjumlahan total dari semua bobot ialah satu
Perancangan Sistem Robot... (Ario Witjakso; dkk)
157
b. Untuk setiap fitur, hitung error rate
c. Pilih Fitur dengan error rate terkecil
d. Update bobot
4.
dengan
= 1 bila gambar diklasifikasi dengan benar
dan 0 bila salah diklasifikasi, dan
hasil akhir klasifikasi yang bagus :
, dimana αt =
1
βt
Tabel 2 menunjukkan proses pemilihan urutan fitur terbaik dengan menggunakan
AdaBoost dari 4 fitur.
Tabel 2 Proses pemilihan urutan fitur terbaik dengan menggunakan AdaBoost
Bobot Awal
Bobot
Bobot setelah
setelah
Iterasi 4
Iterasi 3
Gambar 1 *
0.0833
0.0426
0.0393
0.0459
-0.1137
Gambar 2 *
0.0833
0.0426
0.0393
0.0459
-0.1137
Gambar 3 *
0.0833
0.0426
0.0393
0.0459
-0.1137
Gambar 4 *
0.0833
0.0426
0.0393
0.0459
-0.1137
Gambar 5 *
0.0833
0.0426
0.0393
0.0459
-0.1137
Gambar 6 *
0.0833
0.0426
0.0393
0.0459
-0.1137
Gambar 7 **
0.0208
0.0106
0.0098
0.0115
-0.0284
Gambar 8 **
0.0208
0.0106
0.0098
0.0115
-0.0284
Gambar 9 **
0.0208
0.0106
0.0162
0.0070
-0.0173
Gambar 10 **
0.0208
0.0106
0.0162
0.0070
-0.0173
Gambar 11 **
0.0208
0.0106
0.0098
0.0042
0.0042
Gambar 12 **
0.0208
0.0106
0.0162
0.0070
-0.0173
Gambar 13 **
0.0208
0.0106
0.0162
0.0070
0.0070
Gambar 14 **
0.0208
0.0106
0.0162
0.0070
-0.0173
Gambar 15 **
0.0208
0.0106
0.0162
0.0070
-0.0173
Gambar 16 **
0.0208
0.0106
0.0162
0.0070
-0.0173
Gambar 17 **
0.0208
0.0106
0.0098
0.0115
-0.0284
Gambar 18 **
0.0208
0.0106
0.0098
0.0115
-0.0284
Gambar 19 **
0.0208
0.0106
0.0098
0.0115
-0.0284
Gambar 20 **
0.0208
0.0106
0.0162
0.0070
-0.0173
Gambar 21 **
0.0208
0.0106
0.0098
0.0042
-0.0105
Gambar 22 **
0.0208
0.0106
0.0098
0.0042
-0.0105
Gambar 23 **
0.0208
0.0106
0.0162
0.0070
-0.0173
Gambar 24 **
0.0208
0.0106
0.0162
0.0070
0.0070
Gambar 25 **
0.0208
0.0106
0.0098
0.0115
-0.0284
Gambar 26 **
0.0208
0.0106
0.0098
0.0042
-0.0105
Gambar 27 **
0.0208
0.0106
0.0098
0.0042
-0.0105
Gambar 28 **
0.0208
0.0106
0.0162
0.0070
-0.0173
Gambar 29 **
0.0208
0.5000
0.4618
0.5392
0.5392
Gambar 30 **
0.0208
0.0106
0.0162
0.0189
-0.0468
0.0833
0.6152
1.1193
1.6766
Error Rate Fitur 1
0.0208
0.5208 #
0.9826 #
1.5218 #
Error Rate Fitur 2
0.3333
0.5035
0.7308
0.8285 #
Error Rate Fitur 3
0.2500
0.3777
0.5720 #
0.6675 #
Error Rate Fitur 4
# = Error rate yang diabaikan, karena fitur bersangkutan telah dipilih pada iterasi sebelumnya
* = Gambar positif
** = Gambar negatif
158
Bobot setelah
Iterasi 1
Bobot setelah
Iterasi 2
Jurnal Teknik Komputer Vol. 18 No. 2 Agustus 2008: 153 - 163
Pada setiap iterasi, bobot untuk setiap gambar di-update berdasarkan tingkat kesalahan
(error rate) dari fitur yang terkecil, dan fitur dengan tingkat kesalahan terkecil akan dipilih.
Perhatikan bahwa pada iterasi awal, tingkat kesalahan terkecil pada fitur 2 dan tingkat kesalahan
terbesar pada fitur 3. Akan tetapi, pada iterasi berikutnya, tingkat kesalahan terkecil ada pada fitur
4 dan terbesar pada fitur 1. Dalam penelitian ini, dalam hal pemilihan fitur dengan AdaBoost, fitur
dengan tingkat kesalahan di atas 0.5 tidak akan digunakan. Karena banyaknya jumlah fitur yang
dapat digunakan maka untuk menambah kecepatan pemrosesan cukup dipilih fitur-fitur yang
terbaik untuk mengklasifikasikan bola, misalnya dengan Sub-Window dengan ukuran 24x24 piksel,
kemungkinan jumlah fitur yang dapat digunakan ialah 45.396 fitur (Carnegie Mellon School of
Computer Science, 2002). Dari 55 fitur yang menggunakan algoritma ini, terpilih 28 fitur yang
cocok untuk digunakan dalam sistem pendeteksian objek.
3. Modul Pencarian Bola
Gambar 7 Diagram alir pencarian bola
Berdasarkan diagram alir (Gambar 7), setelah citra di-capture, dilakukan pengkonversian
citra dari RGB ke grayscale. Setelah itu proses scanning, dimana ukuran terkecil sub-window akan
dijalankan terlebih dahulu pada setiap classifier, kemudian fitur yang sama dengan ukuran yang
lebih besar akan dijalankan pada proses berikut dan seterusnya hingga didapat gambar yang cocok
dengan pendeteksian. Setelah proses scanning selesai, dilakukan proses merging sehingga tampak
sebuah sub-window baru yang menandakan bahwa objek yang diinginkan telah terdeteksi. proses
selanjutnya adalah pengalkulasian jarak dan posisi objek guna menentukan arah pergerakan robot
mobil. Penjelasan tentang scanning, merging dan pengalkulasian jarak dan posisi akan dibahas
lebih lanjut dalam sub-bab berikut.
Perancangan Sistem Robot... (Ario Witjakso; dkk)
159
3.1 Scanning
Pada bagian ini menguraikan suatu algoritma untuk membangun classifier cascade untuk
mengurangi waktu komputasi yang didasarkan pada fitur-fitur yang telah terseleksi dalam
classifier, dengan fitur ini akan dilakukan scanning gambar pada classifier cascade yang
digunakan. Semua contoh fitur yang digunakan untuk latihan mengklasifikasi gambar yang
dinormalisir (nilai piksel gambar menjadi setara dalam kondisi lingkungan yang berbeda) untuk
memperkecil pengaruh dari kondisi cahaya yang berbeda, dan ukuran sub-window yang berbeda.
Normalisasi dilakukan dengan membagi nilai fitur (penjumlahan nilai fitur dalam metode integral
image) dengan nilai piksel total pada sub-window tersebut.
Proses scanning fitur dilakukan ke seluruh bagian gambar. Ukuran dari fitur yang
digunakan terbagi beberapa ukuran. Ukuran yang paling kecil dijalankan terlebih dahulu, kemudian
fitur yang sama dengan ukuran yang lebih besar akan dijalankan pada proses berikut dan seterusnya
hingga didapat gambar yang cocok dengan pendeteksian bagian dari citra. Gambar-gambar yang
lolos seleksi dari semua classifier akan ditandai dengan sebuah gambar bujur sangkar putih (subwindow).
3.2. Merging
Merging merupakan penggabungan dari beberapa sub-window menjadi satu sub-window
berdasarkan titik pusat pada banyaknya kumpulan sub-window pada hasil scanning fitur tersebut.
Algoritma merging menggunakan teknik yang sama dengan teknik labeling, dengan
mengelompokkan sub-window yang berdekatan menjadi satu kelompok.
3.3. Kalkulasi Jarak dan Posisi
Apabila PC telah berhasil menentukan posisi bola berdasarkan algoritma yang digunakan
pada program MATLAB, maka PC akan mengalkulasi jumlah step yang diperlukan untuk
menggerakkan motor servo. Algoritma yang dipakai untuk menentukan jumlah step yang
ditunjukkan pada Gambar 8, yaitu dengan:
1. Menentukan titik acuan/titik tengah pada gambar (Xtengah)
2. Menentukan titik sudut sub-window berdasarkan hasil deteksi bola (Xbola, Ybola)
3. Memprediksi jarak bola sebenarnya, dengan rumus:
jarakbola = (d^1.5)/50 + d/12 + offset/1.8
4. Menentukan sudut kemiringan (orientasi) bola terhadap kamera, dengan rumus:
Sudutbola = atan(Y/X)
Gambar 8 Hubungan posisi bola dengan estimasi perpindahan robot mobil
5.
160
Jarak yang harus ditempuh robot untuk mencapai bola dengan jumlah step putaran motor
dengan rumus berikut ini:
Jumlah step robot maju= jarakbola/S
Jurnal Teknik Komputer Vol. 18 No. 2 Agustus 2008: 153 - 163
6.
Di mana: - S = Konstanta jarak = 1.3
Besar sudut yang harus ditempuh robot untuk mencapai bola dengan jumlah step putaran
motor dengan rumus berikut ini:
Jumlah step robot berbelok = sudutbola/C
Di mana: - C = Konstanta orientasi = 7
Format data serial yang dikirimkan oleh PC ke mikropengendali untuk menggerakkan
motor servo ialah berupa 8 bit. Data serial yang dikirimkan oleh PC ke mikrokontroller akan
diinterpretasi oleh mikrokontroler sebagai perintah, yaitu:
00000001 = maju selangkah
00000010 = mundur selangkah
00000011 = kiri selangkah
00000100 = kanan selangkah
Untuk menguji kehandalan sistem, beberapa percobaan dilakukan, antara lain: pengujian
terhadap jarak antara objek dengan kamera, kondisi cahaya, latar belakang, dan pengujian terhadap
objek lain. Berikut ringkasan dari hasil deteksi pada berbagai kondisi yang berbeda, termasuk
waktu proses dan tingkat keberhasilan ditunjukkan pada tabel 3:
Tabel 3 Tingkat keberhasilan percobaan pada berbagai kondisi
Kondisi
Tingkat
Keakuratan
Bola putih
Bola orange
Jarak antara Objek
Dengan kamera
25 cm
35 cm
45 cm
55 cm
65 cm
Kondisi Cahaya
Redup
Sedang
Terang
Pengujian terhadap Kotak
objek lain
Steker
Bola sepak kecil
Lingkaran
Kubus & silinder
Pengujian terhadap Biru
warna latar
Kuning
Merah
Hijau
Hitam
Warna-warni
Lantai
Waktu proses (ukuran gambar 176 x 144)
pada Pentium IV 1.4 MHz PC, 512 MB
RAM
Perancangan Sistem Robot... (Ario Witjakso; dkk)
100%
100%
100%
90%
80%
90%
95%
95%
100%
95%
90%
90%
90%
95%
95%
100%
5%
5%
5%
10%
5%
95%
100%
95%
100%
95%
95%
95%
100%
95%
100%
100%
95%
95%
95%
1.25 detik
Jumlah Percobaan
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
20
161
PENUTUP
Berdasarkan penelitian yang telah dilakukan, simpulan yang diperoleh yaitu bahwa objek
(bola ping-pong putih/jingga) yang akan dideteksi harus dalam keadaan diam dan jarak minimum
objek yang dapat dideteksi adalah 25 cm dan jarak maksimumnya adalah 65 cm. Jarak terbaik
pendeteksian antara objek dengan kamera adalah 25 cm. Sementara, ¾ ukuran bola yang tertangkap
kamera masih dapat terdeteksi oleh sistem ini. Objek harus mendapatkan cahaya yang merata;
kondisi cahaya yang baik untuk pendeteksian ini adalah cahaya terang dan kondisi cahaya yang
gelap akan mempengaruhi pendeteksian menjadi tidak baik. Estimasi jarak dan pergerakan robot
mobil kurang baik dan waktu proses untuk pendeteksian ini lebih kurang 1,25 detik.
DAFTAR PUSTAKA
Anonim, Kejuaraan sepakbola dunia ROBOcup (Human vs Humanoid). (2003).
(http://www.robocup.org)
Anonim, MATLAB communication with external device.
http://www.chem.duke.edu/~boris/matlab/Lesson5.pdf
Carnegie
Mellon
School
of
Computer
Science.
(2002).
www.cs.cmu.edu/afs/cs.cmu.edu/project/theo-20/www/mlc/2002/boosting.pdf
Dari
Hanselman, Duance., Bruce Littlefield. (1997). Matlab the language of technical computing.
Prentice Hall.
Haralick, Robert M., Linda G Shapiro. (1992). Computer and robot vision. Addison Wesley.
Jain, Ramesh, Kasturi, Rangachar, Schunck Brian G. (1995). Machine vision. McGraw-Hill.
P. Viola and M.J. Jones. Robust real-time object detection. In Proc. of IEEE Workshop on
Statistical and Theories of Computer Vision, 2001.
http://www.wisdom.weizmann.ac.il/~hassner/cv03/ICCV01-Viola-Jones.pdf
Tabratas, Tharom (2003). Pengolahan Citra pada Robot mobil.
http://ilmukomputer.internux.net.id/berseri/tharom-robot/index.php
162
Jurnal Teknik Komputer Vol. 18 No. 2 Agustus 2008: 153 - 163
LAMPIRAN
WebCam
PC
1
40
2
39
3
38
4
37
5
36
6
35
7
34
8
33
9
32
10
31
11
30
12
29
13
28
14
27
15
26
16
25
17
24
+
18
23
+
19
22
20
21
sv1 sv2
Vcc ( 5V )
Vcc ( 5V )
1μF
1μF
TXD
RXD
+
+
1
2
3
4
5
6
7
8
16
15
14
13
12
11
10
9
Max232
+
1μF
1μF +
1K
RXD
TXD
L
7805
C-V
22pF
7.2 - 12 V
12MHz
22pF
AT89S52
Gambar 9 Skematik Rangkaian
Gambar 10 GUI
Gambar 11 Sistem
Perancangan Sistem Robot... (Ario Witjakso; dkk)
163