Perpustakaan Digital ITB

Pengukuran jarak pada cabang olahraga lompat jauh umumnya masih dilakukan secara manual menggunakan meteran dengan menentukan bekas pendaratan atlet pada bak pasir sebagai titik acuan pengukuran. Metode tersebut bergantung pada pengamatan juri sehingga rentan terhadap subjektivitas, kesalahan akibat paralaks, serta memerlukan waktu yang relatif lama. Untuk mengatasi permasalahan tersebut, penelitian ini mengembangkan subsistem Vision-Based Dent Detection sebagai bagian dari sistem pengukuran jarak lompat jauh otomatis yang bertugas mendeteksi lokasi bekas pendaratan atlet pada pasir secara otomatis. Tantangan utama dalam penelitian ini adalah posisi kamera yang bergerak sepanjang rel mengikuti area bak pasir, sehingga metode static background subtraction tidak dapat digunakan karena perubahan sudut pandang kamera menyebabkan latar belakang selalu berubah. Selain itu, bekas pendaratan pada pasir sering kali memiliki bentuk yang dangkal, tidak beraturan, dan terfragmentasi sehingga sulit dideteksi menggunakan metode segmentasi sederhana. Untuk mengatasi permasalahan tersebut, penelitian ini mengusulkan suatu rangkaian algoritma pengolahan citra yang terdiri atas Region of Interest (ROI), konversi grayscale, dual-stage Gaussian smoothing, dynamic background estimation, dark difference extraction, Otsu-based hysteresis thresholding, morphological filtering, contour validation, global contour merging, serta penentuan titik leftmost sebagai acuan pengukuran. Koordinat titik tersebut kemudian digunakan sebagai masukan bagi subsistem kendali motor untuk melakukan penyelarasan posisi kamera dan laser sebelum proses pengukuran jarak dilakukan. Hasil pengujian menunjukkan bahwa algoritma mampu mencapai tingkat keberhasilan keputusan deteksi sebesar 100% pada 70 pengujian validasi objek. Akurasi lokalisasi titik leftmost menghasilkan nilai RMSE sebesar 1,11 piksel atau 1,59 mm, sedangkan pengujian kedalaman dent menunjukkan tingkat deteksi 100% pada variasi kedalaman 1 cm, 3 cm, dan 5 cm. Pada pengujian algoritma secara terpisah, waktu pemrosesan rata-rata mencapai 48,43 ms per frame dengan galat akhir penyelarasan sebesar 0 piksel. Pengujian sistem terintegrasi menggunakan Raspberry Pi dan komunikasi TCP/WiFi menghasilkan Mean Absolute Error (MAE) sebesar 0,5 piksel dan seluruh percobaan memenuhi toleransi visual ±3 piksel, meskipun terjadi peningkatan latensi akibat keterbatasan komputasi dan komunikasi.