m

a

d

g

t

v

Comp

membuat m

adalah gamb

diproses, seh

gambar men

Bany

teknologi ak

vision ini, b

Vision :

puter vision

esin seolah-

bar atau cit

hingga kita

njadi gambar

yak hal tel

kan menjadi

erikut adala

n adalah ba

olah dapat ‘

tra, dengan

mendapatka

r 3D.

lah menjad

i sangat terb

h bagian ya

Gambar 2.1

7 

BA

LANDASA

agian dari

melihat’. K

inputan citr

an informasi

i cangkupa

bantu dengan

ng telah me

1 Computer

AB II

AN TEORI

ilmu penge

omponen da

ra yang ma

i – informas

an Compute

n adanya pe

enjadi cangku

Vision overv

etahuan dan

ari Computer

asih dalam b

si yang dapa

er Vision,

engembanga

upan – cang

view

n teknologi

r Vision tent

bentuk 2D

at merekonst

berbagai b

an dari Comp

gkupan Comp

yang

tunya

dapat

truksi

idang

mputer

mputer

8  

  

pada gambar 2.1 maka terlihat bagaimana Computer Vision menjadi bagian dari

Image Processing dan Machine Vision, ketiga hal diatas adalah karakteristik dari

Computer Vision dan menjadi saling berhubungan satu dengan yang lainnya.

Computer Vision tidak hanya digunakan untuk membuat mesin seakan-akan

dapat ‘melihat’ tetapi juga membuat sebuah mesin yang dapat belajar dari input yang

berupa informasi - informasi yang berupa gambar, sehingga mesin tersebut dapat

mengetahui dan bekerja seperti yang telah dipelajari oleh mesin tersebut, oleh karena itu

terdapat bidang Artificial Intelligence, AI sangat dibutuhkan untuk membuat sistem

berbasis Computer Vision untuk menjadi lebih ‘pintar’.

Dan kebanyakan Computer Vision berfokus kepada gambar 3D yang di

proyeksikan ke satu atau beberapa gambar, misalnya bagaimana merekonstruksi

struktur atau informasi lain tentang scene 3D dari satu atau beberapa gambar,

Machine Vision berfokus kepada aplikasi – aplikasi, biasanya berpusat pada

manufaktur, misalnya, robot yang berbasis vision yang mengecek penyegelan pada

sebuah tutup botol, pada bagian ini robot bekerja secara real time, karena apa yang

dibutuhkan oleh mesin manufaktur adalah yang bersifat real time.

Image Processing dan Image Analysis berfokus kepada gambar 2D, bagaimana

cara untuk mengubah sebuah gambar menjadi gambar yang lain, contohnya saat kita

mempertajam sebuah gambar atau menghilangkan noise pada gambar.

9  

  

Didalam Computer vision tercangkup beberapa aspek, yaitu :

2.1 Image ( citra )

Citra atau gambar terbagi menjadi 2 bagian, yaitu :

a. Kontinyu : Dihasilkan dari sistem optik yang menerima sinyal

analog,

Misalnya mata manusia dan kamera analog.

b. Diskrit : Dihasilkan melalui proses digitalisasi citra

kontinyu, beberapa sistem optik dilengkapi fungsi

digitalisasi, sehingga mampu menghasilkan citra diskrit (

digital ), misalnya kamera digital dan scanner.

Suatu citra didefenisikan sebagai fungsi kontinu dari intensitas cahaya dalam bidang 2

dimensi, dan secara matematis dinyatakan dengan f(x,y), dimana nilai atau amplitudo

dari f menyatakan intensitas cahaya dari gambar pada koordinat (x,y).

(x,y) : koordinat kartesian

f(x,y) : intensitas cahaya (brightness) pada titik (x,y)

Salah satu hal yang perlu diperhatikan adalah bahwa cahaya adalah salah satu

bentuk dari energi, maka nilai f(x,y) harus berada diantara nol sampai tak terhingga.

10  

  

Gambar 2.2 Cara menentukan koordinat titik dalam sebuah citra (Petrus Paryono,

Citra Digital)

Gambar yang ditangkap oleh mata adalah berasal dari cahaya yang dipantulkan oleh

objek yang terlihat. Intensitas cahaya, f(x,y), sebenarnya merupakan hasil perkalian

antara jumlah cahaya (illumination) yang berasal dari sumbernya (sumber cahaya,

contoh : matahari, bulan) dengan jumlah pantulan cahaya (reflectance) dari benda yang

dilihat pada area tersebut.

Gambar 2.3 Pembentukan citra

11  

  

Persamaan dari Intensitas cahaya adalah sebagai berikut :

F(x,y) = i(x,y) . r(x,y), dimana :

i(x,y) : Jumlah cahaya yang berasal dari sumbernya (illumination)

yang nilainya 0 ≤ i(x,y) ≤ ∞, nilai i(x,y) ditentukan oleh

sumber cahaya.

r(x,y) : Derajat kemampuan objek memantulkan cahaya

(reflection) yang

nilainya 0 ≤ r(x,y) ≤ 1, nilai r(x,y) ditentukan oleh karakteristik objek di dalam citra.

r(x,y) = 0 mengindikasikan penyerapan total, r(x,y) = 1 mengindikasikan pemantulan

total. contoh nilai dari i(x,y) :

a. Cuaca cerah, matahari menghasilkan iluminasi sekitar 9000 foot candles (One footcandle

≈ 10.764 lux).

b. Cuaca mendung atau berawan, matahari menghasilkan iluminasi sekitar 1000 foot

candles.

c. Pada malam bulan purnama, bulan menghasilkan iluminasi sekitar 0.01 foot candles.

Contoh nilai dari r(x,y) :

a. Benda hitam memiliki r(x,y) = 0.01.

b. Dinding putih memiliki r(x,y) = 0.8.

c. Benda logam stainless steel memiliki r(x,y) = 0.65.

d. Salju memiliki r(x,y) = 0.93

12  

  

Intensitas f(x,y) pada gambar hitam putih disebut juga sebagai derajat keabuan

(grey level). Grey level memiliki penjelasan sebagai berikut :

- Grey level bergerak dari hitam ke putih, citranya disebut sebagai citra monokrom

(monochrome image) atau citra satu kanal (satu fungsi intensitas).

- Grey level memiliki rentang nilai dari Lmin sampai Lmax

Dalam prakteknya penulisan grey level seringkali ditulis seperti [0,L], dimana intensitas

0 menyatakan hitam, dan L menyatakan putih, dan nilai antara 0 sampai L bergeser dari

hitam ke putih.

Contoh : citra hitam – putih dengan 256 level, artinya mempunyai skala abu-abu dari 0

sampai 255 atau [0,255], dalam hal ini nilai 0 menyatakan hitam dan 255 menyatakan

putih, nilai antara 0 sampai 255 menyatakan warna keabuan yang terletak antara hitam

dan putih.

Citra berwarna atau disebut juga citra spektral, karena warna pada citra tersusun

oleh tiga komponen warna RGB (Red-Green-Blue), dan intensitas pada suatu titik pada

citra berwarna berbeda dengan intensitas pada suatu titik pada citra hitam-putih, yaitu :

(fmerah(x,y)), merah (fhijau(x,y)) dan merah (fbiru(x,y))

2.1.1 Digitalisasi Gambar

Gambar dapat diproses oleh computer apabila berbentuk gambar digital, maka

perlu adanya digitalisasi, digitalisasi adalah proses representasi gambar dari fungsi

kontinu menjadi nilai-nilai diskrit. Gambar yang dihasilkan dari digitalisasi disebut

gambar digital (digital image). Umumnya gambar digital berbentuk empat persegi

panjang dan dimensi ukurannya dinyatakan sebagai tinggi (N) x lebar(M) ( lebar x

13  

  

panjang ). Citra digital yang tingginya N, lebarnya M dan memiliki L derajat keabuan

dapat dianggap sebagai fungsi :

Citra digital yang berukuran N x M lazimnya dinyatakan dengan matriks

berukuran N baris dan M kolom, dan masing-masing elemen pada citra digital disebut

pixel (pictrure element).

Contoh : suatu citra berukuran 256 x 256 pixel dengan intensitas beragam pada

tiap pixelnya, direpresentasikan secara numerik dengan matriks terdiri dari 256 baris dan

256 kolom.

Citra f(x,y) yang telah di-digitalisasi baik koordinat area maupun brightness

level.

14  

  

Nilai f di koordinat (x,y) = brightness / grayness level dari citra pada titik

tersebut.

Representasi dari citra digital :

Gambar 2.4 Citra digital

Referensi gambar diambil dari (http://www2.ukdw.ac.id)

2.1.2 Proses Digitalisasi Gambar

Proses digitalisasi gambar melalui dua tahap, yaitu :

1. Digitalisasi spasial (x,y), disebut image sampling, yaitu mendigitasi nilai koordinat

objek.

2. Digitalisasi intensitas f(x,y), disebut gray-level quantization, yaitu mendigitalisasi nilai

amplitudo sinyal dari objek.

15  

  

2.1.2.1 Image Sampling

Gambar kontinu dibagi-bagi menjadi grid-grid berbentuk buju sangkar ( kisi –

kisi arah horizontal dan vertical ), dan pada setiap grid mengandung jumlah pixel

tertentu, contoh dari Image Sampling :

Gambar 2.5 Proses sampling

x = Dx /M increment

y = Dy /N increment

N = jumlah maksimum pixel dalam satu kolom

M = jumlah maksimum pixel dalam satu baris

Dx = lebar gambar (dalam inchi)

Dy = tinggi gambar (dalam inchi)

Beberapa referensi menggunakan (1,1) ketimbang (0,0) sebagai

koordinat elemen pertama di dalam matriks. Elemen (i,j) dalam matriks

menyatakan rata-rata intensitas cahaya pada area citra yangg

direpresentasikan oleh pixel.

16  

  

Contoh: citra biner yang hanya mempunyai dua derajat keabuan:

0 (hitam)

1 (putih)

Suatu gambar yang ukurannya 5 x 5 inchi dinyatakan dalam matriks

Ukuran 4 x 5 (4 baris dan 5 kolom).

Tiap elemen gambar lebarnya 1 inchi dan tingginya 1,25 inchi yang akan

diisi dengan suatu nilai yang tergantung rata - rata intensitas cahaya pada area

tersebut.

Area 1 x 1,25 inchi pd sudut kiri atas gambar berlokasi pd (0,0).

Area 1 x 1,25 inchi pd sudut kanan bawah gambar berlokasi pd

(3,4).

Agar mudah dalam implementasi, jumlah sampling biasanya diasumsikan

Perpangkatan dari dua.

N = 2n

N = Jumlah sampling pada suatu baris/kolom.

n = Bilangan bulat positif.

17  

  

Gambar 2.6 Gambar hasil sampling (Computer vision : a modern approach.)

Pembagian gambar menjadi ukuran tertentu menentukan resolusi ( derajat rincian

yang dapat dilihat ) spasial yang diperoleh. Semakin tinggi resolusinya semakin kecil

ukuran pixel atau semakin halus gambar yang diperoleh karena informasi yang hilang

semakin kecil.

2.1.2.2 Gray-level quantization

Proses kuantisasi adalah membagi skala keabuan / gray scale (0,L) menjadi

sejumlah level, dinotasikan dengan G dan nilainya berupa bilangan bulat (integer),

biasanya G merupakan hasil perpangkatan dari dua :

Dimana :

G = derajat keabuan / gray scale.

m = bilangan pulat positif.

18  

  

0 : nilai derajat keabuan terendah dengan warna

hitam.

255 : nilai derajat keabuan tertinggi dengan warna

putih.

Pixel depth : jumlah bit untuk merepresentasikan nilai

keabuan Pixel.

Proses kuantisasi juga adalah suatu proses mendigitasi intensitas sinyal objek

pada koordinat pixel yang disampel, dengan kata lain, memberi nilai pada pixel tersebut.

Besarnya derajat keabuan yang digunakan untuk menentukan resolusi kecerahan dari

citra yang diperoleh, semakin banyak jumlah derajat keabuan (jumlah bit kuantisasinya

makin banyak), semakin bagus gambar yang diperoleh karena kemenerusan derajat

keabuan akan semakin tinggi sehingga mendetaki citra aslinya.

Kebanyakan aplikasi, citra hitam putih dikuantisasi pada 256 level, sehingga

membutuhkan 8 bit untuk representasi setiap pixelnya (G = 256 =28 ).

Citra biner dikuantisasi pada dua level saja, level 0 dan 1, hanya 1 bit untuk

merepresentasi setiap pixel.

19  

  

Contoh dari kuantisasi :

Gambar 2.7 Hasil dari Gray-level quantization (Pembentukan Citra Digital)

Penyimpanan citra digital yang disampling jadi N x M pixel dan dikuantisasi jadi

G = 2m. Level keabuan butuh memori sebanyak :

N x M x m dalam satuan bit

2.1.3 Elemen – Elemen Gambar Digital

Elemen – elemen yang terdapat dalam gambar digital adalah sebagai berikut :

1. Kecerahan (Brightness)

Kecerahan adalah kata lain untuk intensitas cahaya. Kecerahan pada sebuah titik

(pixel) didalam gambar bukanlah intensitas riil, tetapi sebenarnya adalah intensitas rata-

rata dari suatu area yang melingkupinya.

2. Kontras (Contrast)

Kontras menyatakan sebaran terang (lightness) dan gelap (darkness) didalam sebuah

gambar. Jika sebagian besar komposisi citra terang atau sebagian besar gelap maka

dikatakan citra atau gambar tersebut kontrasnya rendah. Jika komposisi gelap dan terang

tersebar merata maka dikatakan kontras citra baik.

20  

  

3. Kontur (Countour)

Kontur adalah keadaan yang ditimbulkan oleh perubahan intensitas pada pixel-pixel

bertetangga. Adanya perubahan intensitas inilah yang membuat mata kita mampu

mendeteksi edge (tepi) objek dalam sebuah citra.

4. Warna (Colour)

Warna adalah persepsi yang dirasakan oleh sistem visual manusia terhadap panjang

gelombang cahaya yang dipantulkan oleh objek. Setiap warna mempunyai panjang

gelombang yang berbeda (λ) yang berbeda.

- Merah : Panjang gelombang paling tinggi.

- Ungu : Panjang gelombang paling rendah.

Warna yang diterima oleh mata adalah hasil kombinasi cahaya dengan panjang

gelombang (λ) yang berbeda. Kombinasi warna yang memberikan rentang warna paling

lebar adalah red, green, blue (RGB).

5. Bentuk (Shape)

Shape adalah properti intrinsik dari objek tiga dimensi, dengan pengertian bahwa

shape merupakan properti intrinsik utama sistem visual manusia. Manusia lebih sering

mengasosiasikan objek dengan bentuknya daripada elemen lainnya, pada umumnya citra

yang dibentuk oleh mata manusia adalah citra 2D, sedang objek yang dilihat adalah 3D.

informasi bentuk objek dapat diekstrak dari citra pada preprocessing dan segmentasi

citra.

21  

  

6. Tekstur (Texture)

Tekstur dicirikan sebagai distribusi spasial dari derajat keabuan didalam

sekumpulan pixel-pixel yang bertetangga. Jadi tekstur tidak dapat didefenisikan hanya

untuk sebuah pixel.

Image Processing itu sendiri adalah preprocessing dalam sebuah Computer

Vision,

Bagian - bagian dari Image Processing adalah :

2.2 Capturing Image

Capturing adalah langkah awal untuk membuat sistem dapat seakan – akan

‘melihat’, maka diperlukan pengambilan citra oleh sistem untuk di analisa. Pengambilan

citra dilakukan sebelum adanya proses image segmentation, pengambilan citra

melingkupi :

- Kalibrasi

Kalibrasi adalah penyesuaian ukuran yang sebenarnya terhadap pengukuran yang

dilakukan pada citra, kalibrasi sangat diperlukan ketika berhubungan dengan image dan

camera, karena citra yang ditangkap oleh kamera belum tentu mempunyai perbandingan

ukuran yang sama, untuk melakukan kalibrasi maka dibutuhkan informasi ukuran

sebenarnya dan ukuran pada gambar, setelah itu maka dapat di konversikan dari ukuran

gambar ke ukuran sebenarnya.

- Menentukan Waktu Pengambilan Gambar

Pada sebuah sistem yang menggunakan kamera tentunya akan menghadapi dengan

waktu pengambilan gambar, sampling time diperlukan oleh sistem untuk menentukan

22  

  

seberapa cepat kamera harus mengambil gambar, sehingga gambar yang ditangkap dapat

langsung disegmentasikan. Faktor yang biasa mempengaruhi sampling time adalah dari

hardware kamera itu sendiri, beberapa pabrikan mungkin membuat spesifikasi hardware

yang berbeda dengan pabrikan lainnya.

- Penyimpanan Hasil Penangkapan Gambar

Gambar yang sudah ditangkap harus diproses, oleh sebab itu sistem menyimpannya pada

sebuah direktori, maka sistem akan mengatur dimana letak direktori tersebut.

2.3 Image Segmentation

Operasi segmentasi merupakan pemecahan suatu gambar digital kedalam

beberapa segmen dengan suatu kriteria tertentu. Jenis operasi ini berkaitan erat dengan

pengenalan pola. Tujuan dari operasi ini adalah untuk menyederhanakan atau mengganti

gambaran dari sebuah gambar untuk mendapatkan sesuatu yang lebih berarti untuk di

analisa.

2.3.1 Edge detection

Proses ini adalah operasi yang dijalankan untuk mendeteksi tepi garis yang

membatasi dua wilayah citra homogen yang memiliki tingkat kecerahan yang berbeda

(Pitas 1993). Fungsi dari edge detection adalah untuk menandai bagian yang menjadi

detail citra.

Edge adalah beberapa bagian dari citra dimana intensitas kecerahan berubah

secara drastis. Dalam objek berdimensi satu, perubahan dapat diukur dengan

menggunakan fungsi turunan (derivative function). Perubahan mencapai maksimum

23  

  

pada saat nilai turunan pertamanya mencapai nilai maksimum atau nilai turunan kedua

bernilai 0.

Suatu titik ( x,y ) dikatakan sebagai tepi (edges) dari suatu citra bila titik tersebut

mempunya perbedaan yang tinggi dengan tetangganya.

2.3.2 Thresholding

Thresholding adalah proses mengubah citra berderajat keabuan menjadi citra

biner atau hitam putih sehingga dapat diketahui daerah mana yang termasuk obyek dan

background dari citra secara jelas. Citra hasil thresholding biasanya digunakan lebih

lanjut untuk proses pengenalan obyek atau ekstraksi fitur. Metode thresholding secara

umum dibagi menjadi dua, yaitu :

- Thresholding Global

Thresholding dilakukan dengan mempartisi histogram dengan menggunakan sebuah

threshold (batas ambang) global T, yang berlaku untuk seluruh bagian pada citra.

- Thresholding Adaptif

Thesholding dilakukan dengan membagi citra menggunakan beberapa sub citra. Lalu

pada setiap sub citra, segmentasi dilakukan dengan menggunakan threshold yang

berbeda.

Berikut adalah contoh partisi histogram untuk memperoleh threshold :

24  

  

Gambar 2.8 Histogram Thresholding (Evan, Thresholding Citra)

Histogram yang berada pada sisi kiri gambar 2.8 mewakili citra f(x,y) yang tersusun atas

obyek terang di atas background gelap. Piksel-piksel obyek dan background

dikelompokkan menjadi dua mode yang dominan. Cara untuk mengekstraks obyek

daribackground adalah dengan memilih nilai threshold T yang memisahkan dua mode

tersebut. Kemudian untuk sembarang titik (x,y) yang memenuhi f(x,y) > T disebut titik

obyek, selain itu disebut titik background. Kesuksesan metode ini bergantung pada

seberapa bagus teknik partisi histogram. Citra hasil thresholding dapat didefinisikan

sebagaimana Persamaan berikut :

Dalam sebuah segmentasi, pixel dalam sebuah citra juga dapat dirubah nilainya,

sehingga kita dapat membalik nilai pixel putih menjadi hitam, begitu juga sebaliknya.

Dengan mengurangi nilai pixel dengan nilai 1, maka kita dapat membalik nilai pixel

yang di inginkan, contohnya :

25  

  

P = 1 – n

P = Hasil dari pembalikan nilai pixel.

n = Nilai pixel yang ingin dibalik.

2.3.3 Removing Pixel

Removing Pixel adalah bagian dari sebuah segmentasi, yaitu teknik untuk

menghilangkan (remove) pixel yang tidak di-inginkan, bila nilai pixel yang ingin

dihilangkan telah diketahui jumlahnya, maka mudah untuk menghilangkannya, dengan

memberi perintah bahwa pixel yang mempunyai nilai sebesar x, akan dihapus dari citra,

sehingga citra yang akan tampil adalah citra tanpa pixel yang mempunyai besar x.

2.3.4 Fill Image Region

Fill Image Region juga adalah bagian dari sebuah segmentasi, yaitu teknik untuk

menyamarkan sebuah area dengan nilai pixel tertentu, pada sebuah area yang

mempunyai nilai pixel 1, tetapi di dalam area tersebut memiliki unsur pixel berlawanan,

maka nilai dari pixel berlawanan dapat disamarkan menjadi nilai pixel yang serupa

dengan pixel dominan.

2.3.5 Region Properties

Region properties adalah bagian dari segmentasi, yaitu bagaimaa kita

menentukan properties dari sebuah image, properties dapat berubah pixel value atau

dapat berupa bentuk dari image tersebut. Jika properties berbentuk string maka Matlab

akan menghitung semua pengukuran yang berhubungan dengan bentuk dari objek,

namun jika properties berbentuk grayscale maka Matlab akan menghitung semua

pengukuran yang berhubungan dengan pixel value dari objek.

26  

  

Centroid adalah properties dasar yang terdapat pada Matlab, centroid atau pusat

massa dari sebuah daerah (region) dapat diperoleh dengan cara mencari properties dari

daerah tersebut.

Matlab mempunyai fungsi yang dapat digunakan untuk mencari properties yang

dinginkan, properties dari objek dapat dibedakan menjadi dua jenis, yaitu :

- Berdasarkan bentuk pengukuran

- Berdasarkan pengukuran pixel value

Centroid adalah bagian dari regionprops yang dipakai dalam pencobaan ini, yaitu

pencarian titik pusat massa suatu daerah yang berisikan koordinat x dan y, dengan

mendapatkan koordinat x dan y, maka velocity dapat dianalisa.

27  

  

Berdasarkan pembahasan yang telah dibahas pada computer vision, maka

perancang berusaha menghubungkan semua teknik segmentasi dan teknik – teknik

pengambilan data atau citra lainnya terhadap kemampuan vision dalam menentukan atau

memperkirakan kecepatan sebuah obyek, sebuah obyek yang bergerak tentunya

memiliki perpindahan, dan yang ditangkap oleh mata manusia adalah perpindahannya,

jarak yang dihasilkan membuat manusia dapat memperkirakan kecepatan dari benda

tersebut. Dalam pengertiannya kecepatan dibedakan atas velocity dan speed, berikut

penjelasan antara velocity dan speed :

a. Velocity

Velocity adalah kecepatan yang berbentuk vektor, berarti velocity ini memiliki

informasi arah dan besaran kecepatan (magnitude). Kecepatan sebuah benda tergantung

terhadap jarak yang ditempuhnya, dengan asumsi waktu konstan, maka bila jarak

semakin jauh atau besar, maka kecepatan juga akan semakin besar, begitu juga

sebaliknya, bila jarak semakin pendek atau kecil maka kecepatan juga akan menjadi

lebih kecil.

Berdasarkan dasar – dasar yang telah di peroleh, maka yang membedakan

velocity dengan speed adalah parameter yang dipakai, pada velocity maka parameter

yang dipakai adalah perpindahan (displacement), sementara pada speed parameter yang

digunakan adalah jarak (distance).

28  

  

Rumus dasar dari velocity adalah :

- Mencari vektor posisi dari titik – titik yang diketahui.

- Cari total perubahan koordinat dari vektor posisi.

- Cari velocity tiap titik posisi.

- Cari magnitude dengan cara meng-akarkuadratkan velocity.

- Lalu cari arah perubahan posisi yang terjadi.

Gambar 2.9 Perpindahan Posisi dari A ke B

Menentukan dahulu vektor posisi dari tiap titik

Berdasarkan vektor posisi yang telah didapat, maka hitung total perubahan posisi dari

dua titik tersebut.

Proses selanjutnya adalah memasukkan waktu yang ditempuh ke dalam rumus kecepatan

(velocity).

29  

  

Berdasarkan data – data yang diperoleh, maka besar kecepatan rata – rata adalah :

dengan arah perpindahan sebesar :

b. Speed

Speed adalah kecepatan yang diukur dengan parameternya adalah jarak

(distance), semakin besar jarak yang ditempuh terhadap waktu yang konstan, maka

semakin besar juga speed yang diperoleh. Rumus dasar dari speed adalah sebagai berikut

:

∆d : perubahan jarak (distance)

∆t : perubahan waktu (time)

Berdasarkan landasan – landasan teori yang diperoleh sampai saat ini, landasan –

landasan tersebut bertujuan menjadi landasan dalam tahap perancangan sistem yang

akan dilakukan pada tahap selanjutnya, penyusunan sistem akan melihat kembali

terhadap teori – teori yang sudah dikumpulkan.