REKONSTRUKSI OBJEK DUA DIMENSI MENGGUNAKAN MODIFIKASI RANSAC
DOI:
https://doi.org/10.54706/senastindo.v4.2022.203Kata Kunci:
LiDAR, Python, RANSAC (random sample consensus).Abstrak
Abstrak— RANSAC (Random Sample Consensus) dapat digunakan sebagai parameter model matematika dari satu set data yang diamati berisi data inlier dan outlier. Dalam pembuatannya dapat juga ini digunakan untuk membangun persamaan garis yang tepat dari sejumlah data, dengan memvalidasi data dengan cara melihat data inlier dan outlier dari sebuah projek yang dikerjakan. Untuk membuat program pada pembuatan tugas akhir ini, penulis menggunakan data dua dimensi yang diolah oleh LiDAR (Light Detection And Ranging), penulis melakukan pengumpulan data dan penelitian kinerja rekosntruksi objek dua dimensi menggunakan modifikasi RANSAC dengan Python. Pada percobaan pertama menggunakan data hasil deteksi LiDAR, penulis membatasi bahwa nilai variable dari residual threshold diatas 3000 maka dapat dinyatakan sebagai gambar yang belum sempurna, dari pengujian pertama dihasilkan dengan 92,85% data yang sempurna, sedangkan untuk pengujian yang kedua mendapatkan 52% data yang sempurna. Rekonstruksi objek 2 Dimensi dari data LiDAR dapat divalidasi dengan menggunakan metode RANSAC. Metode ransac ini digunakan untuk membangun persamaan garis yang tepat dari sejumlah data. Sehingga garis yang dibangkitkan dapat menjadi refrensi apakah sejumlah data yang akan diamati merupakan rekonstruksi objek 2 dimensi yang benar. Cara memvalidasi dengan cara melihat kesesuaian data inlier dan outlier dari persamaan garis RANSAC. Data-data inliers akan menunjukkan apakah pola data rekonstruksi telah sesuai.
Unduhan
Referensi
K.G Derpanis. 2020. Overview of the RANSAC Algorithm. Diakses pada 30 Juni 2022.
S.F. Pane, R.M. Awangga, and M. Az. 2018. Klasifikasi Data Lokasi Barang Menggunakan Region Of Interest (ROI) Dan Algoritma Ransac. Diakses pada 30 Juni 2022.
O. Kaspi, A. Yosipof, and H. Senderowitz. 2017. Algoritma RANdom SAmple Consensus (RANSAC) untuk material-informatika: aplikasi untuk sel surya fotovoltaik. Diakses pada 30 Juni 2022.
D.A Jatmiko and S.U Prini. 2020. Study and Performance Evaluation Binary Robust Invariant Scalable Keypoints (BRISK) for Underwater Image Stitching. Diakses pada 30 Juni 2022.
D. Barath and J Matas. 2018. Graph-Cut RANSAC. Diakses pada 30 Juni 2022
Edi. 2020. Mengenal Raspberry Pi Komputer Papan Tunggal Seukuran Credit Card. Diakses pada 30 Juni 2022.
Hosting, Jagoan. 2021. Bahasa Pemrograman Python: Pengertian, Contoh, dan Kegunaan. Diakses pada 30 Juni 2022.
Diagram kartesius. https://lovelyristin.com/apa-yang-dimaksud-diagram-kartesius. Diakses pada 13 juli 2022.
Inlier dan Outlier. https://www.researchgate.net/figure/The-performance-of-RANSAC-for-line-fitting-82_fig18_323863727. Diakses 14 September 2022.
Residual Threshold. https://www.konsultanstatistik.com/2021/04/apa-itu-residual-pada-regresi-linear.html. Diakses pada 14 September 2022.
Memory SD Card. https://www.ukmagicstore.com/product/sandisk-a1-flash-cards-class-10-memory-card-128gb-micro-sd-card-32gb-tf-card-64gb-tarjeta-micro-sd-16gb-microsd-carte-sd/. Diakses pada 25 juli 2022.
Power supply. https://www.amazon.ca/Official-Raspberry-Pi-Supply-Output/dp/B07W8XHMJZ. Diakses pada 25 Juli 2022.
Adaptor converter HDMI female to micro hdmi male type D. https://images.app.goo.gl/4MW1kk3mHTV9uV2X7. Diakses pada 25 juli 2022.
Adaptor Converter VGA female to HDMI male. https://images.app.goo.gl/EoFxtkn65nAcAavD6. Diakses pada 25 Juli 2022.
Insert SD Card. https://images.app.goo.gl/DfDuBm1Ji1AsLD3i6. Diakses pada 25 juli 2022.
Merakit peralatan pendukung pada raspberry. https://images.app.goo.gl/53oFWFzB7x92kzLj9. Diakses pada 25 juli 2022.
Raden Aditya Satria Nugraha, Pengembangan Software Aplikasi Pendeteksian Objek Berbasis Lidar (Light Detection and Ranging), 2020.
Mas’ud Abdur Rosyid, Pengembangan Software Teknik Noise Removal Point Cloud Data Lidar Dua Dimensi Untuk Aplikasi Kendaraan Listrik Otonom, 2021.
