BAB II KARAKTERISASI CITRA UNTUK DETEKSI BUAH JERUK LEMON PADA TANAMANNYA A.
Pendahuluan
Latar Belakang Di alam bebas tanaman jeruk lemon berupa perdu dengan ketinggian 2 hingga 3.5 meter dengan diameter buah rata -rata 4.4 sampai 6.4 cm. Kandungan asam sitrat jeruk lemon menurut Hume (1957) berkisar antara 7 – 8 %. Morfologi jeruk lemon berbentuk bulat telur dan memiliki puting di ujungnya. Sebagai tanda bahwa buahnya telah masak adalah dengan perubahan warna kulitnya yang menjadi kuning dari sebelumnya berwarna hijau. Buahnya ketika masih muda bergerombol berjumlah 2 sampai 5, namun setelah matang buah yang tersisa biasanya tinggal satu saja. Menurut Hume (1957) jeruk lemon terbagi menjadi beberapa varietas yaitu : 1. Eureka, berbentuk membujur dengan ukuran sedang. Panjang 72 cm, diameter 50 mm, jika telah matang berwarna kuning lemon, puncak berputing dengan bentuk puting kecil dan kasar. 2. Everbearing, berbentuk membujur, memiliki dua ujung, ukurannya sedang. Panjang 89 mm, diameter 50 mm, jika telah matang berwarna kuning, puncak berujung dengan panjang sekitar 15 mm. 3. Genoa , berbentuk membujur, memiliki dua ujung, berukuran sedang. Panjang 84 mm,diameter 50 mm berwarna kuning lemon terang, puncak berputing dengan puting kecil dan ujungnya tajam. 4. Lisbon , bentuknya membujur, ukurannya sedang berukuran panjang 81 mm, diameter 56 mm, berwarna kuning lemon, puncak berputing, dengan kulit halus, seragam dalam ukuran jika kematangan dipelihara dengan baik. 5. Meyer, berbentuk lonjong sampai bulat, ukuran sedang. Panjang 65 – 81 mm, diameter 65 mm, berwarna kuning terang, puncaknya membengkok dan berkulit halus.
9
6. Panderosa, berbentuk leher dan membujur, berukuran besar. Panjang 109 mm, diameter 112 mm, berwarna kuning puncak rata dengan sedikit indikasi putting dan pangkal leher. 7. Otohite, berbentuk bulat, berukuran panjang 53 mm, diameter 53 mm berwarna agak kuning, puncak sedikit berujung dan agak kasar. 8. Rough , bentuknya bermacam-macam dengan ukuran sedang sampai besar dengan panjang 61 mm, diameter 61 mm, warna kuning lemon. 9. Sicily, bentuknya membujur, ukuran sedang dengan panjang 62 mm, diameter 81 mm, warna kuning terang bercahaya, ujung berputing dengan puting pendek dan kasar, kulit tipis, halus, manis, sel-sel minyak biasanya banyak terdapat di permukaan. 10. Sweet, bentuknya rata, ukuran sangat kecil dengan panjang 50 mm, diameter 53 mm, warna berbintik-bintik kuning keabuan, daging buah gelap, kasar berpasir. 11. Villafranca , bentuknya bulat membujur, ukuran sedang sampai besar dengan panjang 73 mm, diameter 58 mm, warna buah matang kuning cerah, puncak berujung tumpul dan kasar. Gambar 2 menampilkan profil buah lemon dengan usia 100 hsbm, 110 hsbm., dan 120 hsbm. Gambar 3 menampilkan profil tanaman jeruk lemon di alam bebas, sedangkan pada Gambar 4 tampak profil tanaman jeruk lemon di dalam pot. Berdasarkan taksonominya, jeruk lemon diklasifikasikan sebagai berikut : Kingdom Divisi
: Plantae ( tumbuhan ) : Spermatophyta ( tumbuhan berbiji )
Sub divisi Kelas
: Angiospermae ( berbiji tertutup ) : Dicotyledonae (biji berkeping dua)
Ordo Keluarga
: Ru tales : Rutaceae
Genus Spesies
: Citrus : Citrus Medica varietas limon burn
Tanaman jeruk lemon termasuk tanaman klimakterik, artinya buah jeruk lemon apabila cukup tua dipetiknya maka dapat memasuki stadium matang dalam beberapa hari secara alamiah tanpa perlu direkayasa (diperam). Kualitas buah
10
jeruk lemon secara visual dapat dilihat dari warnanya yang cerah (tidak belang) dan bentuknya yang menarik serta proposional (agak lonjong dengan puting diujungnya).
(a)
(a)
(b)
Gambar 2 Buah jeruk lemon dalam berbagai usia : (a) umur 100 hsbm.; (b) umur 110 hsbm. ; (c) umur 120 hsbm. Dari pengamatan di lapang, buah jeruk lemon pada saat muda bergerombol berjumlah antara 2 sampai 4, namun pada saat mau matang jumlah tadi berkurang hingga hanya dua buah saja. Dan pada saat matang (usia ≥ 120 hsbm.) buah tersebut hanya tinggal satu buah saja. Hal ini terjadi secara alamiah tanpa diberi perlakuan apapun. Komposisi buah jeruk lemon yang dapat dikonsumsi tiap 100 gr dirinci dalam Tabel 3.
11
(a) (b) Gambar 3 Tanaman jeruk lemon dengan (a) profil buah (b) profil bunga
Gambar 4 Tanaman jeruk lemon di dalam pot Bagian utama jeruk lemon menurut Hume (1977) terdiri dari kulit yang tersusun atas epidermis, flavedo, kelenjar minyak dan ikatan pembuluh. Bagian dalam buahnya terdiri atas segmen buah, rongga yang berisi cairan, biji, dan inti (core) yang terdiri atas ikatan pembuluh dan parenkim. Gambar 5 memperlihatkan penampang buah jeruk lemon beserta bagian-bagian buah jeruk lemon.
12
Tabel 3
Komposisi buah jeruk lemon yang dapat dikonsumsi tiap 100 gr (Sumber : Wills et al. (1978) dalam Damiri (2003)).
Komposisi Bagian yang dapat dikonsumsi (%) Air (gr) Protein (gr) Lemak (gr) Gula (gr) - Glukosa - Fruktosa - Sukrosa Asam Organik (gr) - Serat Diet - Asam Malat - Asam Sitrat
Gambar 5
Jumlah 66 89 0.6 0.2 0.8 0.6 0.4 2.5 0.32 4.51
Penampang buah jeruk lemon (sumber: Hume, 1977)
Flavedo adalah kulit bagian luar yang berbatasan dengan epidermis, merupakan lapisan kedua yang ditandai dengan warna hijau, kuning, oranye. Juga terdapat kelenjar minyak dan tidak ada ikatan pembuluh. Pada
13
bagian ini terdapat pigmen berupa kloroplas dan karotenoid. Epidermis sebagai lapisan luar kulit merupakan bagian yang melindungi buah jeruk yang terdiri dari lapisan lilin, matriks kulin, dinding sel primer dan sel epidermal.
Pertumbuhan
dan
kematangan
buah
sejalan
dengan
membesarnya kelenjar minyak. Albedo merupakan jaringan yang berhubungan dengan core di tengahtengah buah, berfungsi untuk mensuplai air dan nutrisi dari pohon untuk pertumbuhan dan perkembangan buah. Pada albedo banyak terdapat selulosa, hemiselulosa, lignin, senyawa pektat, hesteperiodes serta senyawa-senyawa limonim yang menyebabkan timbulnya rasa pahit pada buah. Jeruk lemon dapat menghasilkan beberapa jenis jeruk baru setelah dikawinsilangkan dengan beberapa jenis jeruk lain. Di Indonesia jenis tanaman jeruk lemon yang dikembangkan antara lain adalah : lemon tea, lemon squash, lemon cui, lemon eureka. Karakteristik citra merupakan hal yang penting di dalam pemrosesan citra digital. Untuk mendapatkan informasi mengenai karakteristik dari sebuah citra perlu digunakan teknologi yang tepat. Teknik image processing (citra digital) adalah suatu teknologi yang dikembangkan untuk mendapatkan informasi dari citra (image) dengan cara memodifikasi bagian dari citra yang diperlukan sehingga menghasilkan citra dalam bentuk lain yang lebih informatif (Jain et al., 1995). Citra digital merupakan representasi model nyata dari sebuah obyek. Teknik pengolahan citra digital ini dapat memeriksa kondisi obyek melalui penampilannya, secara non destruktif. Ahmad (2002) menggunakan teknik ini untuk memeriksa mutu buah mangga. Sedangkan
Wulfhson et al (1993)
menggunakan teknik ini untuk sortasi buah kurma. Citra digital (non fisik) tentu berbeda dengan gambar foto, gambar cetak yang bersifat fis ik. Citra dalam bentuk data digital akan lebih mudah untuk dimodifikasi sesuai dengan kebutuhan tertentu. Sehingga teknik ini amat praktis untuk diterapkan dalam bidang pertanian khususnya bidang pasca panen. Citra diperoleh dengan menggunakan sensor citra (kamera) yang dilengkapi dengan lensa. Lensa ini berfungsi untuk memproyeksikan bayangan dari benda-
14
benda yang berada di depannya. Fungsi lensa sebenarnya mirip dengan retina pada mata manusia, sehingga bayangan yang dihasilkan pada bidang citra bersifat sejati, terbalik, dan diperkecil, seperti pada Gambar 7. Sensor citra (image sensor) jenisnya antara lain adalah : vidicon tube, image orthicon tube, image dissector tube, dan solid-state image sensor. Solid -state image sensor banyak digunakan karena beberapa kelebihan dibandingkan dengan alat yang lain. Kelebihannya adalah antara lain konsumsi daya listrik yang minim, ukuran kecil dan kompak, tahan guncangan, mudah pengoperasiannya, dan lainlain. Model solid-state image sensor mempunyai sebuah array elemen fotoelektrik yang dapat membangkitkan tegangan listrik dan photon. Model sensor ini berdasarkan caranya scanning dibedakan menjadi dua bagian, yaitu : chargedcoupled device (CCD) dengan keunggulan memiliki resolusi yang tinggi dan metal-oxide semiconductor (MOS) yang mempunyai kelebihan pada hasil citra yang tajam. Sensitivitas kamera yang digunakan akan sangat menentukan hasil yang diperoleh. Sehingga dalam proses pengambilan data perlu dipertimbangkan tingkat sensitivitas kamera yang digunakan. Sebagaimana dilaporkan oleh Throop et al.(1994), bahwa kamera dengan sensitivitas yang tinggi dapat memisahkan apel yang rusak dengan akurasi 99,9 %. Sedang kamera dengan sensitivitas yang rendah dapat memisahkan apel yang rusak dengan akurasi 95 %. Meskipun pada saat ini sudah banyak kamera digital, namun bisa juga citra diambil dengan menggunakan kamera analog. Karena komputer bekerja dalam mode digital, maka diperlukan sebuah mekanisme untuk merubah sinyal analog tersebut ke dalam sinyal digital. Mekanisme untuk merubah sinyal analog menjadi sinyal digital adalah dengan melakukan konversi sinyal analog tersebut menjadi sinyal digital dengan menggunakan sebuah alat analog-digital (A/D) converter. Proses pengolahan
citra diawali dengan pengambilan gambar dengan
menggunakan kamera, selanjutnya gambar dalam mode analog tersebut diteruskan ke dalam image frame grabber. Dalam image frame grabber sinyal analog tersebut masuk ke dalam A/D converter dan diubah menjadi sinyal digital. Sinyal digital keluaran dari A/D converter lalu ditransmisikan ke dalam memori citra
15
digital.
Selanjutnya dengan menggunakan algoritma pengolahan citra dan
perangkat komputer, sinyal digital tersebut diolah sesuai keperluan. Gambar 6 menunjukkan perangkat keras dan aliran data pengolahan citra. Proses pembentukan sebuah citra terdiri dari dua bagian : 1). Geometri formasi citra, yang menentukan posisi di mana di dalam bidang citra proyeksi sebuah titik
pemandangan akan ditempatkan. Teknik ini
mengkonversi posisi 3 dimensi obyek di lapang ke dalam posisi 2 dimensi citra di layar komputer. 2).
Fisik cahaya, yang menentukan kecerahan sebuah titik di dalam bidang citra
sebagai fungsi dari pencahayaan pemandangan dan sifat-sifat permukaan.
Lampu
Image frame grabber
A/D Converter
Image Memory
Computer
Algoritma Pengolahan Citra Kamera CCD obyek
Gambar 6 Perangkat keras dan aliran data pengolahan citra.
Pada Gambar 7, diperlihatkan model yang mendasar dari proyeksi sebuah titik pada pemandangan ke dalam bidang citra. Pada model ini pusat sistem pembentukan citra berpotongan dengan titik awal koordinat sistem tiga dimensi (x, y, z). Posisi horisontal ditunjukkan oleh x, posisi vertikal ditunjukkan oleh y, sedang jarak dari kamera ke suatu titik obyek ditunjukkan oleh z. Yang dimaksud dengan garis pemandangan dari suatu titik di dalam pemandangan adalah sebuah garis yang menyentuh titik tersebut dan titik pusat proyeksi, sedang jarak dari suatu titik ke kamera dinyatakan dengan z, yang sejajar dengan sumbu z.
16
Pada kamera yang sebenarnya, citra hasil bentukan berada di belakang pusat proyeksi dengan jarak f. Meskipun pada kamera yang sebenarnya bidang citra berada di belakang pusat proyeksi seperti pada Gambar 7, namun demi kemudahan dalam memahami maka bidang citra dianggap berada di depan pusat proyeksi, seperti pada Gambar 8.
Bidang citra (terbalik)
Titik obyek (x,y,z)
y x
r
f
z z
r' x' (x’,y’) y'
Gambar 7
Proyeksi pembentukan citra untuk citra di belakang pusat proyeksi (Jain et al, 1995 )
Bidang citra (terbalik) y x
Titik obyek (x,y,z)
y' (x’,y’) x' r'
y'
y r x
x'
Gambar 8
z
Proyeksi pembentukan citra untuk citra di depan pusat proyeksi (Jain et al, 1995 )
17
Dari Gambar 8 selanjutnya dicoba menurunkan beberapa rumusan dasar yang dapat dipergunakan untuk perhitungan-perhitungan utama di dalam pengolahan citra. Seperti dijelaskan di atas bahwa jarak dari suatu titik (x , y , z) dalam sebuah pemandangan ke sumbu z dinyatakan dengan
r=
( x2 + y 2 ) ,
sedang jarak titik hasil proyeksi pada citra ( x’ , y’ ) dinyatakan dengan r '=
( x' 2 + y' 2 ) .
Dari kedua rumus di atas didapat hubungan : f r' = …………………………………………………………………… …..(1) z r
x' y' r ' = = …………………………………………………………………..… (2) x y r
Dan substitusi persamaan (1) ke dalam persamaan (2) menghasilkan : x' f = x z
dan
y' f ……………………………………………………..… (3) = y z
Sehingga posisi suatu titik di dalam bidang citra diberikan dengan persamaan berikut : x' =
f x …………………………………………………………………. …(4) z
y' =
f y ……………………………………………………………………… (5) z
Satuan citra terkecil disebut pixel ( picture element ), yang berarti elemen citra. Sedangkan sebuah citra merupakan kumpulan dari kotak-kotak segiempat yang teratur sehingga jarak horisontal dan vertikal antar pixel adalah sama pada seluruh bagian citra. Selanjutnya di dalam memori komputer setiap pixel diwakilkan oleh sebuah nilai dalam bilangan bulat. Seringkali sebuah pixel merupakan representasi dari 8-bit bilangan bulat (integer)
dengan rentang
[0,255], dengan 0 untuk warna hitam, 255 untuk warna putih dan tingkat abu-abu berada diantara nilai tersebut. Selanjutnya untuk keperluan analisis dalam pengolahan citra seperti penghitungan luas area suatu obyek, orientasi, dan sifat-sifat geometri lainnya diperlukan cara untuk mendapatkan citra biner dari suatu obyek. Citra biner bisa
18
diperoleh dengan cara melakukan segmentasi citra dengan dasar perbedaan sinyal warnanya. Setiap citra dengan karakteristik nilai pencahayaan tertentu memerlukan nilai threshold tertentu yang mungkin tidak cocok untuk citra lainnya. Sehingga sebenarnya meskipun nilai threshold nya sama namun tidak dapat digunakan untuk citra yang berbeda. Oleh karena itu peranan pengaturan cahaya dalam perekaman citra penting sekali. Seperti dillaporkan Wulfhson et al.(1993), bahwa penerangan merupakan hal yang kritis dalam pemrosesan citra digital. Sehingga tingkat cahaya yang berbeda dapat menghasilkan kualitas citra yang berbeda pula. Hal yang penting dalam pengolahan citra setelah kita dapat menghasilkan obyek adalah mengenali dan menentukan lokasi obyek tersebut. Untuk mengenali obyek biasanya dengan mengetahui ukuran, posisi, dan orientasi obyek. Untuk menghitung ukuran (area) suatu obyek A digunakan persamaan (Jain et al.,1995) : n
m
A = ∑∑ B [i , j ] ………….……………………………………………………(6) i =1 j =1
dimana B[i,j] adalah citra biner pada koordinat pixel (i,j). Selanjutnya setelah kita mengetahui luas area (A) suatu obyek, maka biasanya mengetahui posisi obyek di dalam sebuah citra digunakan untuk melengkapi informasi yang digunakan untuk analisis citra digital. Posisi obyek direpresentasikan dengan sumbu x dan sumbu y, dan dilambangkan dengan x dan y . Formula untuk posisi obyek ditampilkan pada persamaan berikut :
x=
n
m
i =1
j =1
∑ ∑ j B[i , j ]
y=
A n
m
i =1
j =1
…………….……………………………………………. (7)
∑ ∑ i B[i , j ]
…………………….………………………………………(8) A dengan x dan y adalah koordinat titik pusat dari region. Warna merupakan jumlah relatif dari tiga warna pokok merah (R), hijau (G), dan biru (G). Dengan menggabungkan ketiga intensitas warna tersebut, maka didapat citra berwarna. Untuk mempermudah penafsiran hasil dari model warna RGB adalah dengan melakukan normalisasi terhadap ketiga komponen warna tersebut menjadi indeks warna merah (r), indeks warna hijau (g), dan indeks
19
warna biru (b). Sedangkan model warna yang paling sesuai untuk dipersepsi oleh manusia adalah corak (hue) disingkat H, kejenuhan (saturation) disingkat S, dan intensitas (intensity) disingkat I. Persepsi warna dalam pengolahan citra tergantung pada tiga faktor (Jain et al, 1995) : 1. Spectral reflectance dari permukaan. Hal ini menentukan bagaimana suatu permukaan memantulkan warna, 2. Spectral content dari penyinaran. Artinya adalah kandungan warna dari cahaya yang menyinari permukaan, 3. Spectral response. Artinya adalah kemampuan merespons warna dari sensor dalam imaging system. Pengolahan citra dengan menggunakan warna merupakan salah satu teknik yang sering digunakan untuk membedakan status dari citra tersebut. Cara yang sering digunakan dalam mengklasifikan warna selain dengan model CIE adalah dengan menggunakan model warna red, green, blue (RGB), dan hue, saturation, intensity (HSI). Jain et al(1995) merumuskan untuk menormalisasikan nilai RGB hasil dari pembacaan citra dapat digunakan rumus berikut ini :
r=
R …………………………………………………………………(9) R +G + B
g=
G …………………………………………………………………(10) R+G+B
b=
B R +G + B
……………………………………………….………………(11)
dengan r, g, dan b adalah nilai indeks warna merah, hijau, dan biru. Model warna HSI diperoleh dengan cara melakukan konversi dari warnawarna RGB, dengan menggunakan persamaan-persamaan berikut (Jain et al., 1995) : cos H =
2R − G − B 2 (G − B) 2 + ( R − B )(G − B)
….………………………………......(12)
Sehingga :
20
H = Cos −1 ( S = 1− I =
2R − G − B 2 (G − B ) 2 + ( R − B )(G − B )
) …………………………………(13)
3 min ( R, G, B ) .………………………………………………..(14) R +G+ B
1 ( R + G + B ) ………………………………………………………….…(15) 3
dengan H, S, dan I adalah corak (h ue), kejenuhan (saturation ), dan intensitas (intensity). Dengan menggunakan rumusan di atas kita dapat menganalisis perbedaan warna pada permukaan sebuah citra digital. Perbedaan warna ini dapat digunakan untuk memisahkan antara obyek dan selainnya. Pengembangan algoritma yang menggunakan batas ambang (thresholding) dengan warna merupakan hal yang dapat diterapkan dalam bidang keteknikan pertanian khususnya bidang pasca panen. Penerapan penggunaan warna ini bisa untuk sortasi produk pertanian, seperti Sarkar and Wolfe (1985a; 1985b) dalam Choi et al.(1995) yang mengembangkan algoritma klasifikasi menggunakan analisis citra digital dan teknik pengenalan pola untuk mensortir buah tomat. Juga Shearer dan Payne (1990) dalam Choi et al.(1995) mengembangkan sistem vision untuk menyortir biji lada (bell peppers) dengan memetakan nilai RGB ke dalam hue dan secara statistik
mengklasifikasikan
distribusi
frekuensinya
dengan
hasil
cukup
memuaskan. Sedangkan
Slaughter dan Harrel (1987) dalam Choi et al.(1995)
menunjukkan bahwa threshold dengan Hue (panjang gelombang dominan) dan saturation (tingkat kejenuhan) dapat digunakan untuk membedakan buah jeruk (orange) dari latar belakangnya seperti daun-daunan, langit, awan, dan tanah. Selain itu, Wiggers et al. (1988) dalam Choi et al. (1995) menggunakan sistem pengolahan citra warna untuk mendeteksi dan mengklasifikasikan kacang kedelai yang rusak oleh cendawan dengan menggunakan hue dan rasio sinyal red, green, dan blue. Mereka melaporkan bahwa rasio warna lebih handal dari metode hue untuk mendeteksi perbedaan warna. Varghese et al. (1991) dalam Choi et al. (1995) mengembangkan sistem mesin vision (machine vision) untuk menginspeksi dan menilai buah apel segar
21
berdasar warna, defect, bentuk, dan ukuran. Buah apel yang diklasifikasikan berdasar warna mendapat akurasi yang sangat tinggi menggunakan histogram hue. Thomas dan Connoly (1986) dalam Tao et al.(1995) membandingkan persepsi warna pada manusia dan kemampuan sensor warna ya ng ada. Mereka melaporkan pengolahan citra digital menggunakan sinyal RGB sangat tidak efisien, tetapi lebih mudah ditransformasikan ke dalam sistem koordinat yang berguna dimana satu sumbu merepresentasikan warna dari obyek sesungguhnya atau hue. Morrisey (1988) dalam Tao et al. (1995) melaporkan keunggulan dari pengolahan citra berwarna menggunakan atribut hue, saturation, dan intensitas. Dia menyatakan bahwa atribut-atribut tersebut merupakan aproksimasi yang dekat dengan interpretasi manusia terhadap warna. Tao et al. (1995), melaporkan representasi warna dengan HSI memberikan skema yang efisien untuk pembedaan warna secara statistik. Metode pembedaan linier didasarkan pengujian pada citra buah kentang dan apel. Dengan representasi histogram hue sebagai fiturnya, mesin vision dapat mencapai akurasi sebesar 90% dalam inspesi warna kentang dan apel. Damiri (2003), melaporkan bahwa indeks warna merah dan indeks warna hijau pada pengolahan citra dapat membedakan tingkat kematangan jeruk lemon pada umur petik 100 hsbm. dan umur 110 hsbm. sedang fitur energi pada teknik pengolahan citra dapat membedakan tingkat kematangan pada umur 110 hsbm. dan umur 120 hsbm. Fujiura et al. (1990) dalam Kondo dan Ting (1998) melaporkan Untuk membuat citra biner jeruk orange mandarin digunakan sinyal merah (R) dan hijau (G). Juga dilaporkan sensor kamera yang digunakan di alam bebas menggunakan filter optik (neutral- density optical filter) untuk menetralkan cahaya matahari yang masuk ke dalam lensa kamera. Woebbecke et al.(1995) melaporkan untuk membedakan gulma (weed) terhadap latar belakangnya (yang bukan tanaman hidup) dapat digunakan kombinasi indeks r-g, g-b, (g-b)/|r-g|, 2g-r-b, dan hue yang dimodifikasi. Dan hasilnya hue yang dimodifikasi dan indeks 2g-r-b dapat membedakan gulma (weed) terhadap latar belakangnya lebih baik dari yang lainnya.
22
Tujuan Penelitian Tujuan penelitian ini adalah untuk memisahkan citra buah lemon dari latarnya, sehingga buah jeruk lemon ini dapat terdeteksi di layar citra. Fokus penelitian ini adalah mengetahui parameter warna apa yang dapat digunakan untuk mengeliminasi latar jeruk lemon dan dilanjutkan dengan pengembangan algoritmanya tanpa memperhitungkan faktor jarak. Hasil akhir yang diharapkan dari penelitian ini adalah didapat metode yang dapat menghasilkan citra biner buah jeruk lemon yang terpisah dengan latarnya.
B.
Bahan dan Metode
Waktu dan Tempat Penelitian Dalam penelitian ini, untuk mendapatkan data dan melihat kondisi riil tanaman jeruk lemon di perkebunan, maka dilakukan pengamatan lapang di perkebunan jeruk lemon di sekitar Bogor. komputer image processing
Pengembangan dan uji program
dilakukan di laboratorium Teknik Pengolahan
Pangan dan Hasil Pertanian (TPPHP), Departemen Teknik Pertanian, Fakultas Teknologi Pertanian, Institut Pertanian Bogor. Penelitian dilaksanakan mulai bulan Januari 2004 sampai Agustus 2004. Bahan dan Alat Bahan dan alat yang digunakan dalam penelitian ini adalah sampel tanaman jeruk lemon (Citrus medica) yang ada buahnya usia 120 hsbm. Sampel ini kemudian diletakkan di depan kamera untuk dapat menghasilkan citra di layar komputer. Latar kain hitam digunakan sementara untuk menangkap citra dengan harapan setelah didapat parameter warna yang dapat digunakan sebagai pemisah antara citra buah dan citra latar belakang, maka latar kain hitam ini dapat dilepas. Untuk dapat merekam dan memproses citra yang ditangkap, maka digunakan sensor kamera charge coupled device (CCD) dan seperangkat komputer yang dilengkapi dengan image frame grabber. Selain itu komputer ini juga menggunakan program bahasa C sebagai program akuisisi dan pengolahan citra digital. Agar dapat mendukung hasil citra yang sesuai dengan keadaan di lapang, maka digunakan lampu penerang yang mencukupi. Perlengkapan lain yang
23
diperlukan untuk mengukur tingkat cahaya dan jarak digunakan luxmeter dan penggaris. Spesifikasi teknis secara rinci alat yang digunakan dalam penelitian ini adalah : 1. Perangkat keras a. Kamera CCD Model
: OC-305 D (Digital video camera)
Input
: DC 12 V/120 MA
Output
: PAL/1.0 VP-P/75 Ohm
Resolusi
: Normal : 582(H) x 512 (V) ; Tinggi : 752(H) x 582 (V)
Manufacture : Japan Technology b. Perangkat komputer (personal computer) Processor
: Intel Pentium III
RAM
: Visipro 128 MB
VGA Card
: 8 MB AGP Onboard
c. 4 buah lampu penerang (2 buah : 75 W/ 220 V/ 50Hz ; 2 buah : 25 25 W/ 220 V/50Hz) d. kertas milimeter block , Jangka sorong, penggaris, dan penggaris busur e. Pengukur tingkat cahaya : Luxmeter model
: DM-28
Merek
: Takemura, Electric Work Ltd. Japan.
2. Perangkat lunak a. Microsoft Windows 98 b. Adobe Photo Shop Ver 7, Paint Shop Ver. 6, Microsoft Excell 2000 d. Microsoft Visual C++ ver. 4.5 , Turbo C ver. 3 Tata letak penempatan bahan dan alat untuk penelitian ditampilkan pada Gambar 9. Sensor kamera dihubungkan dengan unit komputer pemrosesan citra digital sedemikian rupa sehingga obyek dapat diletakkan secara vertikal ke arah bawah. Lampu diatur tingkat cahayanya agar dapat menghasilkan citra ya ng terbaik sehingga informasi yang dihasilkan dapat tetap konsisten. Kain hitam diletakkan di bawah obyek tanaman jeruk lemon kemudian jarak antara sensor kamera dan obyek tanaman jeruk lemon diukur dan dicatat.
24
Lampu Penerangan Image frame grabber
A/D Converter
Kamera CCD
Hasil Thresholding
Image Memory
Penggaris Algoritma Thresholding
Gambar 9
Tata letak penempatan bahan dan alat saat perekaman citra jeruk lemon dengan sensor kamera dan komputer image processing
Kerangka Penelitian Dalam penelitian ini digunakan metode eksperimental yang dilaksanakan di laboratorium. Sifat-sifat pengolahan data dan penyimpulannya menggunakan pendekatan kuantitatif. Tahap pertama adalah pengesetan sensor kamera. Karena belum ada literatur tentang metode baku untuk aplikasi tanaman jeruk lemon, maka dicoba untuk mengacu dari literatur -literatur aplikasi pengolahan citra untuk obyek lain atau yang relevan. Alat yang diperlukan adalah sensor kamera yang terhubung dengan bingkai penangkap citra yang terpasang pada komputer untuk pengolahan citra digital. Sedang bahan yang digunakan adalah sampel daun, tangkai, bunga, dan buah jeruk lemon yang matang (usia ≥ 120 hsbm.), dengan menggunakan latar belakang kain hitam. Untuk mendapatkan citra jeruk lemon pada tanamannya, maka daun, tangkai, dan buah jeruk lemon direkam untuk kemudian dianalisis warnanya. Latar belakang yang digunakan adalah kain hitam dengan pencahayaan yang diatur sehingga warna dari citra buah, daun, dan tangkai tidak terdistorsi dan tetap seperti dalam keadaan alami. Sedang jarak dari kamera ke obyek tersebut diatur 25 - 40 cm, diukur dengan penggaris. Obyek diletakkan secara vertikal atau horisontal terhadap kamera seperti pada Gambar 9.
25
Sebelum dilakukan perekaman secara real time, maka sensor kamera dan program pengolahan citra dinyalakan terlebih dahulu. Hal ini bertujuan agar dapat merekam data awal citra tanaman jeruk lemon. Perekaman tahap awal ini targetnya hanya mendapat citra berwarna dengan tingkat cahaya ± 50 lux yang diukur dengan luxmeter. Resolusi layar yang digunakan untuk merekam citra jeruk lemon ini tingginya 255 pixel dan lebar nya 192 pixel. Setelah program perekaman citra real time siap digunakan, maka perekaman terhadap citra tanaman jeruk lemon dilakukan. Citra yang sudah direkam disimpan ke dalam memori untuk kemudian digunakan sebagai bahan untuk dianalisis. Analisis terha dap warna citra menggunakan perangkat lunak Paint Shop ver 6.0 dan Adobe Photoshop ver 7.0. Data citra yang sudah direkam diolah untuk mendapat nilai RGB. Beberapa sampel citra yang sudah direkam tadi dilakukan pengolahan data untuk mendapatkan nilai parameter warna RGB pada tiap titik pixel citra tadi. Jumlah titik pixel yang ingin diketahui nilainya ditentukan sebanyak 250 titik secara acak untuk setiap obyek, dengan asumsi jumlah tersebut dapat mewakili sebaran warna yang ada pada sebuah obyek. Artinya tiap-tiap obyek daun, tangkai, bunga, buah jeruk lemon didapatkan nilai RGB nya masing-masing 250 nilai. Yang dimaksud dengan buah jeruk lemon di sini adalah buah yang telah matang (usia ≥120 hsbm.), yang merupakan obyek panen. Sedangkan untuk citra buah jeruk lemon yang belum matang (usia<120 hsbm.) datanya dimasukkan dalam kelompok latar belakang. Setelah didapat nilai RGB pada 250 titik secara acak pada masing-masing obyek daun, tangkai, bunga, dan buah jeruk lemon, maka nilai ini kemudian diolah untuk mendapatkan nilai indeks rgb dan model HSI (hue, saturation , dan intensity) yang selanjutkan digunakan untuk keperluan analisis. Rumus yang digunakan adalah rumus (1) hingga (7). Tahap selanjutnya adalah dilakukan analisis untuk mendapatkan keterkaitan antara parameter warna RGB, rgb, dan HSI pada citra tanaman lemon. Keterkaitan ini digunakan untuk mendapatkan parameter warna apa saja yang dapat digunakan sebagai alat bantu memisahkan antara citra buah jeruk lemon dan latar belakangnya. Pemisahan dilakukan dengan membuat citra berwarna tadi menjadi
26
citra biner, terdiri dari dua warna, putih bagi buah jeruk lemon dan hitam bagi latar belakangnya. Setelah tahap analisis dilakukan, maka hasilnya yaitu berupa parameter warna yang akan digunakan sebagai alat bantu untuk memisahkan antara citra buah jeruk lemon dan latar belakangnya. Parameter warna citra yang didapat digunakan sebagai dasar untuk mengembangkan program sistem deteksi secara real time. Selanjutnya perekaman citra dapat dilakukan denga n menggunakan parameter warna tersebut sebagai nilai ambang (threshold) antara buah jeruk lemon dan latar belakangnya. Lalu dilihat citra biner hasil thresholdingnya, jika belum dapat memisahkan antar buah jeruk lemon dan latar belakangnya maka tahap analisis terhadap parameter warna tanaman jeruk lemon dilakukan lagi. Hal ini dilakukan berulang-ulang, hingga program ini dapat memisahkan citra buah jeruk lemon dan latar belakangnya. Jika citra biner yang dihasilkan telah dapat menunjukkan antara citra buah jeruk lemon dan latar belakangnya dapat terpisah maka tahapan selanjutnya adalah pembahasan dan evaluasi terhadap kegiatan yang sudah dilakukan. Pembahasan ini perlu dilakukan untuk mendapatkan argumentasi yang ilmiah dengan bersandar pada fakta empiris dan teori yang digunakan. Diagram alir langkah-langkah penelitian tahap ini secara rinci ditampilkan pada Gambar 10.
27
Mulai
- Pengembangan awal program pengolahan citra - Penentuan Resolusi layar citra 255 x 192 pixel - Penentuan tingkat cahaya - Persiapan sensor kamera dan alat bantu lainnya Perekaman citra tanaman jeruk lemon
Penelitian terhadap data citra digital
Konsisten ?
Tidak
ya Hitung nilai rgb dan HSI
Analisis warna dengan perangkat lunak
Studi lanjut terhadap literatur yang relevan
Pengolahan data untuk mencari hubungan antara parameter RGB, rgb, dan HSI Data statistik
Data grafis
Analisis terhadap hubungan parameter RGB, rgb, HSI untuk mencari formula yang digunakan untuk memisahkan(thresholding) antara obyek dan latarnya Tentukan parameter thresholding
Tentukan nilai thresholding Pengembangan dan modifikasi program real time untuk thresholding buah jeruk lemon dari latarnya
Merekam citra tanaman jeruk lemon
Thresholding berhasil ?
Selesai
tidak
ya Analisis dan evaluasi terhadap hasil dan temuan penelitian
Gambar 10. Diagram alir penelitian untuk mendeteksi buah jeruk lemon pada tanamannya
28
C.
Hasil
Pada penelitian ini citra hasil perekaman dengan sensor kamera yang disimpan di dalam memori ditampilkan untuk dianalisis. Citra yang berhasil direkam dengan baik, kemudian menggunakan perangkat lunak bantu Adobe photoshop diambil data -data nilai RGB untuk tiap titik pixel. Untuk mendapatkan data tiap pixel pada citra, maka citra masing-masing obyek (daun, tangkai, bunga, buah, dan latar lain) yang ada di bingkai citra dipilih dengan menggunakan mouse secara acak sebanyak 250 kali. Untuk obyek daun, tangkai, bunga, buah, dan latar belakang jumlah totalnya 1250 titik (pixel).
Data hasil pengukuran dan
perhitungan RGB, rgb, dan HSI untuk daun, tangkai, buah, bunga, dan latar masing-masing di lampirkan pada Lampiran 1, 2, 3, 4 dan 5.
Hasil Perhitungan Sebaran Sinyal Warna Merah (R) Tanaman Jeruk Lemon Hasil perhitungan statistik data nilai R pada tanaman jeruk lemon dan latarnya tampak hasilnya memiliki perbedaan yang signifikan. Sebaran pada citra buah tampak berbeda dibandingkan dengan daun, tangkai, dan latar. Sebaran nilai rata-rata R daun, tangkai, dan latar adalah 124, 108, dan 104, jauh di bawah nilai rata-rata untuk buah yaitu 226. Sedang nilai rata-rata bunga sebesar 246 jauh di atas nilai rata-rata buah. Artinya untuk memisahkan citra buah lemon terhadap citra latar juga sebagian citra daun dan tangkai dapat digunakan sembarang nilai ambang di atas rata -rata terbesar dari nilai rata -rata R untuk daun, tangkai, dan latar.
Tabel 4 Hasil perhitungan statistik sinyal warna merah (R) tanaman jeruk lemon Statistik Rata-rata Standard Deviasi Maksimum Minimum
daun 124 44 208 48
Bagian Tanaman Tangkai buah 108 226 33 20 200 248 48 168
bunga 246 9 248 176
Latar 104 32 140 32
Dari Gambar 11, terlihat bahwa sebaran nilai R untuk daun dan tangkai tampak sedikit tumpang tindih (overlapping) dengan sebaran nilai buah, sedangkan sebaran nilai R untuk latar terlihat terpisah dengan sebaran R untuk
29
buah. Sehingga dengan mengambil nilai R > 200, secara logika dapat menghilangkan citra latar juga sebagian besar citra daun dan tangkai. Hasil perhitungan statistik dari nilai R dapat dilihat pada Tabel 4, sedangkan sebaran nilai R dapat dilihat pada Gambar 11.
260 240 220 200 180 160 R 140 120 100 80 60 40 20 0
Daun 10
Tangkai 20
bunga 30
buah 40
latar 50
Bagian tanaman
Gambar 11 Sebaran sinyal warna merah (R) untuk daun, tangkai, bunga, buah, dan latar lain Hasil Perhitungan Sinyal Warna Hijau (G) Tanaman Jeruk Lemon Hasil perhitungan statistik pada data nilai G pada tanaman jeruk lemon dan latarnya tampak hasilnya memiliki perbedaan yang signifikan. Sebaran pada citra buah tampak berbeda dibandingkan dengan daun, tangkai, dan latar. Rata -rata nilai G untuk daun, tangkai, dan latar adalah 158, 114 dan 93, jauh di bawah nilai rata-rata G untuk buah sebesar 208. Sedang nilai rata-rata bunga sebesar 247 jauh di atas nilai rata-rata buah. Artinya untuk memisahkan citra buah lemon terhadap citra latar juga sebagian citra daun dan tangkai dapat digunakan sembarang nilai ambang di atas rata -rata terbesar dari nilai rata -rata G untuk daun, tangkai, dan latar.
30
Meskipun nilai sebaran G pada daun, tangkai, bunga, dan buah pada Gambar 12 masih terlihat tumpang tindih (overlapping ), namun dengan mengambil nilai G > 180 dapat digunakan untuk mengeliminasi latar juga sebagian besar daun dan tangkai. Hasil perhitungan statistik dari nilai G dapat dilihat pada Tabel 5, sedangkan sebaran nilai G dapat dilihat pada Gambar 12. Tabel 5 Hasil perhitungan statistik sinyal warna biru (G) tanaman jeruk lemon Statistik Rata-rata Standard Deviasi Maksimum Minimum
daun 158 54 248 64
Bagian Tanaman Tangkai buah bunga 114 208 247 34 24 7 216 248 248 56 144 184
latar 93 22 136 40
250 230 210 190 170 G 150 130 110 90 70 50 30 0
Daun 10
Tangkai
20
bunga
30
buah
40
latar
50
Bagian tanaman
Gambar 12
Sebaran sinyal warna hijau (G) daun, tangkai, bunga, buah, dan latar lain
Hasil Perhitungan Sinyal Warna Biru (B) Tanaman Jeruk Lemon Hasil perhitungan statistik pada data nilai B pada tanaman jeruk lemon dan latarnya hasilnya memiliki perbedaan yang tidak terlalu signifikan. Sebaran pada citra buah tidak terlalu berbeda dibandingkan dengan daun, tangkai, dan latar.
31
Rata-rata nilai B untuk daun, tangkai, dan latar adalah 115, 107, dan 95, tidak terlalu jauh dengan nilai rata-rata B untuk buah sebesar 136. Sedang nilai rata -rata bunga sebesar 247 jauh di atas nilai rata -rata buah. Dari gambar 13 sebaran nilai B pada daun, tangka i, bunga, buah, dan latar juga terlihat saling tumpang tindih (overlapping). Sehingga nilai B tidak terlalu sensitif jika digunakan secara tersendiri untuk memisahkan citra buah lemon dengan daun, tangkai, dan latar. Hasil perhitungan statistik dari nilai B dapat dilihat pada Tabel 6, sedangkan sebaran nilai G dapat dilihat pada Gambar 13. Tabel 6
Hasil perhitungan statistik sinyal warna biru (B) tanaman jeruk lemon Statistik daun 115 47 208 40
Rata-rata Standard Deviasi Maksimum Minimum
Bagian Tanaman tangkai buah bunga 107 136 247 31 25 9 192 240 248 32 88 120
latar 95 25 192 32
300 250 200 B 150 100 50 0 0
Daun
10
Tangkai
20
bunga
30
buah
40
latar
50
Bagian tanaman
Gambar 13 Sebaran sinyal warna biru (B) daun, tangkai, bunga, buah, dan latar lain
32
Hasil Perhitungan Sebaran nilai r Tanaman Jeruk Lemon Berbeda dengan nilai sinyal warna merah (R), hasil perhitungan statistik data nilai indeks merah (r) pada tanaman jeruk lemon dan latarnya hasilnya memiliki perbedaan yang tidak terlalu signifikan. Sebaran pada citra buah tidak terlalu berbeda dibandingkan dengan daun, tangkai, bunga dan latarnya. Nilai rata-rata r untuk daun, tangkai, bunga, dan latarnya
adalah 0.3081, 0.3232,
0.3326, dan 0.3490, tidak terlalu jauh dengan nilai rata -rata r untuk buah sebesar 0.3983.
Tabel 7 Hasil perhitungan statistik pada data indeks r tanaman jeruk lemon Statistik Rata-rata Standard Deviasi Maksimum Minimum
daun 0.3081 0.0521 0.4259 0.1887
Bagian Tanaman tangkai buah bunga 0.3232 0.3983 0.3326 0.0482 0.0253 0.0056 0.4545 0.4545 0.3667 0.2000 0.3333 0.2874
latar 0.3490 0.0493 0.4745 0.2353
Dari grafik sebaran terlihat nilai-nilai dari r pada daun, tangkai, bunga, buah, dan latarnya tampak saling tumpang tindih (overlapping ). Artinya nilai r tidak terlalu sensitif dan sulit jika digunakan secara tersendiri untuk memisahkan citra buah lemon dengan daun, tangkai, dan latar. Hasil perhitungan statistik dari nilai r dapat dilihat pada Tabel 7, sedangkan sebaran nilai r dapat dilihat pada Gambar 14.
33
0.5000 0.4000 r
0.3000 0.2000 0.1000 0
Daun 10
Tangkai 20
bunga 30
buah 40
latar 50
Bagian tanaman
Gambar 14 Sebaran nilai indeks r untuk daun, tangkai, bunga, buah, dan latar lain Hasil Perhitungan Sebaran Nilai g Tanaman Jeruk Lemon Hasil perhitungan statistik pada data nilai g pada tanaman jeruk lemon dan latarnya hasilnya juga memiliki perbedaan yang tidak terlalu signifikan. Sebaran pada citra buah tidak terlalu berbeda dibandingkan dengan daun, tangkai, bunga dan latarnya. Nilai rata-rata g untuk daun, tangkai, bunga, dan latarnya adalah 0.3954, 0.3423, 0.3643, dan 0.3223, tidak terlalu jauh dengan nilai rata-rata g untuk buah sebesar 0.3338. Tabel 8 Hasil perhitungan statistik pada data indeks g tanaman jeruk lemon Statistik Rata-rata Standard Deviasi Maksimum Minimum
daun 0.3954 0.0655 0.5556 0.2444
Bagian Tanaman tangkai buah bunga 0.3423 0.3643 0.3338 0.0471 0.0185 0.0049 0.4821 0.4314 0.3833 0.2353 0.3286 0.3049
latar 0.3223 0.0379 0.4286 0.2250
Artinya nilai g juga tidak terlalu sensitif jika digunakan secara tersendiri untuk memisahkan citra buah lemon dengan daun, tangkai, dan latar. Hasil
34
perhitungan statistik dari nilai g dapat dilihat pada Tabel 8, sedangkan sebaran nilai g dapat dilihat pada Gambar 15.
0.5000
0.4000 g 0.3000 0.2000
0.1000 0
Daun
10
Tangkai
20
bunga
30
buah
40
latar
50
Bagian tanaman
Gambar 15 Sebaran nilai indeks g untuk daun, tangkai, bunga, buah, dan latar lain Hasil Perhitungan Sebaran Nilai b Tanaman Jeruk Lemon Hasil perhitungan statistik pada data nilai b pada tanaman jeruk lemon dan latarnya hasilnya memiliki perbedaan yang tidak terlalu signifikan. Sebaran pada citra buah tidak terlalu berbeda dibandingkan dengan daun, tangkai, bunga dan latarnya. Nilai rata-rata b untuk daun, tangkai, bunga, dan latarnya adalah 0.2965, 0.3345, 0.3337, dan 0.3287, tidak terlalu jauh dengan nilai rata-rata b untuk buah sebesar 0.2374. Tabel 9
Hasil perhitungan statistik pa da data indeks b tanaman jeruk lemon Statistik
Rata-rata Standard Deviasi Maksimum Minimum
daun 0.2965 0.1049 0.5333 0.0877
Bagian Tanaman tangkai buah bunga 0.3345 0.2374 0.3337 0.0890 0.0260 0.0069 0.7529 0.3261 0.3659 0.1255 0.1594 0.2500
latar 0.3287 0.0541 0.4615 0.2182
35
Artinya nilai b juga tidak terlalu sensitif jika digunakan secara tersendiri untuk memisahkan citra buah lemon dengan daun, tangkai, dan latar. Hasil perhitungan statistik dari nilai g dapat dilihat pada Tabel 9, sedangkan sebaran nilai b dapat dilihat pada Gambar 16.
0.5000
0.4000 b 0.3000
0.2000
0.1000 0
Daun
10
Tangkai
20
bunga
30
buah
40
latar
50
Bagian tanaman
Gambar 16 Sebaran nilai indeks b untuk daun, tangkai, bunga, buah, dan latar lain Hasil Perhitungan Sebaran Nilai H Tanaman Jeruk Lemon Dari Gambar 17 terlihat sebaran pada citra buah tampak saling tumpang tindih (overlapping) dibandingkan dengan daun, tangkai, dan latar. Namun kalau kita cermati Tabel 10 hasil perhitungan statistik pada data nilai H pada tanaman jeruk lemon dan latarnya, tampak nilai rata-ratanya memiliki perbedaan yang signifikan. Sebaran nilai rata-rata H daun, tangkai, bunga, dan latar adalah 118, 104, 131, dan 180, jauh di atas nilai rata-rata untuk buah yaitu 50. Dari informasi tersebut, parameter H dapat juga digunakan sebagai alternatif untuk memisahkan citra buah jeruk lemon dan latarnya. Namun kelemahan penggunaan parameter H ini adalah perhitungannya yang sulit diaplikasikan pada program komputer.
36
Tabel 10 Hasil perhitungan statistik pada data nilai H tanaman jeruk lemon Statisti k Rata-rata Standard Deviasi Maksimum Minimum
daun 118 35 180 52
Bagian Tanaman Tangkai buah Bunga 104 50 131 41 12 50 180 90 180 0 27 60
latar 180 54 180 0
200 180 160 140 H
120 100 80 60 40 20 0 0
Daun 10
Tangkai 20
bunga 30
buah 40
latar 50
Bagian tanaman
Gambar 17 Sebaran nilai H untuk daun, tangkai, bunga, buah, dan latar lain Hasil Perhitungan Sebaran Nilai S Tanaman Jeruk Lemon Hasil perhitungan statistik pada data nilai S pada tanaman jeruk lemon dan latarnya memiliki perbedaan yang tidak terlalu signifikan. Nilai rata-rata S untuk daun, tangkai, bunga, dan latarnya adalah 0.2811, 0.1771, 0.0054, dan 0.3455, tidak terlalu jauh dengan nilai rata-rata S untuk buah sebesar 0.2877. Tabel 11 Hasil perhitungan statistik pada data nilai S tanaman jeruk lemon Statistik Rata-rata Standard Deviasi Maksimum Minimum
daun 0.2811 0.1751 0.7368 0.0204
Bagian Tanaman tangkai buah bunga 0.1771 0.2877 0.0054 0.1556 0.0780 0.0235 0.7778 0.5217 0.2500 0.0000 0.0217 0.0000
latar 0.3455 0.0727 0.3455 0.0000
37
Dari Gambar 18, terllihat sebaran pada citra buah saling tumpang tindih (overlapping ) dengan daun, tangkai, bunga dan latarnya. Maknanya adalah nilai S tidak terlalu sensitif jika digunakan secara tersendiri untuk memisahkan citra buah lemon dengan daun, tangkai, dan latar. Hasil perhitungan statistik dari nilai S dapat dilihat pada Tabel 11, sedangkan sebaran nilai S dapat dilihat pada Gambar 18.
0.8 0.7 0.6 0.5 S
0.4 0.3 0.2 0.1 0 0
Daun
10
Tangkai
20
bunga
30
buah
40
latar
50
Bagian tanaman
Gambar 18 Sebaran nilai S untuk daun, tangkai, bunga, buah, dan latar lain Hasil Perhitungan Sebaran Nilai I Tanaman Jeruk Lemon Hasil perhitungan statistik nilai I pada tanaman jeruk lemon dan latarnya tampak hasilnya memiliki perbedaan sedikit. Sebaran pada citra buah tampak berbeda dibandingkan dengan daun, tangkai, dan latar. Sebaran nilai rata-rata I daun, tangkai, dan latar adalah 132, 109, dan 97, jauh di bawah nilai rata -rata untuk buah yaitu 190. Sedang nilai rata-rata I bunga sebesar 246 jauh di atas nilai rata-rata buah.
38
Tabel 12 Hasil perhitungan statistik pada data nilai I tanaman jeruk lemon Statistik daun 132 36 205 61
Rata-rata Standard Deviasi Maksimum Minimum
Bagian Tanaman tangkai buah Bunga 109 190 246 24 19 8 171 245 248 61 141 160
latar 97 23 149 37
240 220 200 180 160 I 140 120 100 80 60 40 20 0
Daun
10
Tangkai
20
bunga
30
buah
40
latar
50
Bagian tanaman
Gambar 19 Sebaran nilai I untuk daun, tangkai, bunga, buah, dan latar lain Selanjutnya dengan meninjau nilai standar deviasi dari I sebesar 19, maka nilai rata-rata I dapat dituliskan dengan 246 ± 19. Sehingga secara teoritis nilai ambang yang digunakan untuk memisahkan antara citra buah jeruk lemon dengan citra daun, tangkai, dan latarnya bisa diambil sebesar (246 - 19) < I < (246 + 19). Secara logika nilai ini sudah dapat menghilangkan sebagian besar dari citra daun, tangkai, dan latarnya. Hasil perhitungan statistik dari nilai I dapat dilihat pada Tabel 12, sedangkan sebaran nilai I dapat dilihat pada Gambar 19. D.
Pembahasan Dari hasil perhitungan dan analisis sebaran parameter-parameter R, G, B, r,
g, b, H, S, dan I, maka selanjutnya dapat dirancang nilai ambang yang dapat digunakan untuk proses pembuatan citra biner buah jeruk lemon. Parameter yang
39
digunakan sebagai nilai ambang adalah yang memiliki perbedaan yang signifikan antara sebaran nilai buah dan latarnya. Dari grafik pada Gambar 11, Gambar 12, dan uraiannya terlihat jelas bahwa antara sinyal warna R dan G memiliki perbedaan yang signifikan antara buah lemon dan selainnya. Dan untuk lebih meyakinkan maka dicoba untuk memplot hubungan antara sinyal R dan G seperti pada Gambar 20.
250
200
Daun tangkai
150
lemon bunga
G
100
Linear (Daun) Linear (bunga) Linear (lemon)
50
Linear (tangkai)
0 0
50
100
150
200
250
300
R
Gambar 20
Hubungan nilai R dan G pada citra daun, tangkai, bunga, dan buah lemon
Gambar 20 memperlihatkan hubungan sinyal warna R dan G pada daun, tangkai, dan bunga lemon memiliki korelasi yang ketat. Koefisien determinasi (R2) untuk daun, tangkai, dan bunga lemon masing-masing adalah 0.8331, 0.9076, 0.5964. Sedangkan koefisien determinasi (R2) untuk buah lemon adalah 0.0111. Dari Gambar 20 tersebut terlihat perubahan nilai R pada citra daun, tangkai, dan bunga lemon sangat berpengaruh pada nilai G pada citra daun, tangkai, dan bunga lemon. Sehingga nilai R dan G ini dapat digunakan untuk menghilangkan citra daun, tangkai, dan bunga lemon dan menyisakan citra buah lemon. Untuk mendapatkan nilai yang dapat digunakan mengeliminasi daun dan tangkai, kita tinjau Tabel 13, yang menginformasikan nilai rata-rata R daun dan
40
tangkai 124 dan 108. Dengan mempertimbangkan adanya nilai yang lebih besar dari nilai tersebut maka ditentukan nilai R untuk menghilangkan daun, tangkai, dan latar adalah R > 200. Dari Tabel 13 juga terlihat bahwa nilai rata-rata G untuk daun dan tangkai adalah 158 dan 114. Dengan mempertimbangkan adanya nilai yang lebih besar dari nilai rata-rata tersebut, maka nilai G yang digunakan untuk menghilangkan daun dan tangkai adalah G > 180. Nilai G diambil lebih besar dari 180 dengan tujuan juga untuk menghilangkan sebagian besar citra daun, tangkai, dan latarnya. Sehingga nilai R dan G yang digunakan untuk menghilangkan daun, tangkai, dan latarnya dirumuskan dalam formula 1: R > 200 dan G >180. Tabel 13 Nilai rata -rata R, G, B, r, g, b, 2r-g-b, 2r-0.5g-b Obyek\
Nilai Rata2
Daun Tangkai Buah Bunga
R 124 108 225 246
G 158 114 205 247
B 115 107 136 247
r 0.3081 0.3232 0.3988 0.3326
g 0.3954 0.3423 0.3621 0.3338
B 0.2965 0.3345 0.2391 0.3337
2r-g-b -0.0757 -0.0304 0.1963 -0.0023
2r-0.5g-b 0.1220 0.1407 0.3773 0.1645
Selanjutnya dicoba menghilangkan citra bunga lemon yang berwarna putih. Dalam percobaan ini selain obyek bunga, juga ditambahkan kertas putih yang memiliki kemiripan warna dengan bunga lemon.
Dari hasil percobaan yang
ditampilkan dalam Tabel 3 terlihat bahwa nilai rata-rata R, G, dan B bunga lemon memiliki nilai yang hampir sama yaitu 246, 247, dan 247. Dengan dasar ini maka dilakukan analisis terhadap data aktual yang didapat dari hasil perekaman citra. Dan ternyata nilai R, G, dan B pada bunga lemon yang sering muncul jatuh pada nilai yang selalu sama, yaitu 248. Dari data sebaran nilai RGB untuk citra bunga lemon pada Lampiran 4, diketahui bahwa sebesar 91.2 % dari 250 titik data tersebut, sinyal warna RGB selalu jatuh pada nilai yang sama, yaitu 248. sehingga untuk menghilangkan citra bunga lemon dan mendapatkan citra biner buahnya saja digunakan parameter R, G, dan B secara serentak dan dirumuskan dengan formula 2: (R=G=B) >= 248. Dari Tabel 13 juga terlihat nilai rata -rata untuk kombinasi indeks 2r -0.5g-b buah 0.3773 jauh di atas daun, tangkai, dan bunga yang bernilai 0.1220, 0.1407, dan 0.1645. Dengan dasar ini maka kombinasi indeks 2r -0.5g-b dapat digunakan
41
sebagai sarana tambahan untuk memisahkan buah lemon terhadap latarnya. Gambar 21 digunakan untuk membantu dalam memformulasikan batasan nilai thresholding untuk memisahkan buah lemon terhadap latarnya yang dirumuskan sebagai formula 3 : (2r-0.5g-b ≥ 0.15) dan (2r-0.5g-b ≤ 0.55)
2r-0,5g-b 0.66 0.56 0.46 0.36 0.26 0.16 0.06 -0.04 -0.14 -0.24 Daun 10
0
Tangkai 20
bunga 30
buah 40
latar 50
bagian tanaman
Gambar 21
Sebaran nilai kombinasi indeks 2r -0.5g-b tanaman jeruk lemon
Dengan dasar uraian di atas, selanjutnya dilakukan penggabungan formula 1 hingga formula 3 yang menghasilkan algoritma thresholding lemon, yang dinyatakan dengan :
Mulai Jika (R=G dan G=B dan R>=248 dan 2r-0.5g-b ≥ 0.15 dan 2r -0.5g-b ≤ 0.55) maka Tampilkan pixel dalam warna hitam (latar); selain itu jika (R>200 dan G>180 dan 2r -0.5g-b ≥ 0.15 dan 2r -0.5g-b ≤ 0.55) maka Ta mpilkan pixel dalam warna putih (lemon );
42
Selain itu Tampilkan pixel dalam warna hitam (latar); Selesai Dengan menggunakan algoritma thresholding dan dengan pengaturan cahaya agar citra yang dihasilkan sesuai dengan obyek sebenarnya, maka dilakukan operasi pemisahan citra buah jeruk lemon dengan selainnya. Didapat hasil thresholding dengan menggunakan parameter di atas dalam bentuk citra biner buah lemon dan komentarnya sebagai berikut :
(a)
(b)
Gambar 22 (a) citra lemon asli (b) citra biner hasil thresholding
Dari Gambar 22 dan 23 di atas dapat terlihat bahwa cahaya yang terlalu terang membuat antara warna satu dengan yang lain menjadi sulit dibedakan. Atau dengan kata lain warna apapun akan dianggap putih (tinggi), sehingga citra lemon di atas menjadi tidak utuh.
Dan dengan mengurangi intensitas cahaya yang
digunakan maka citra biner lemon hasil thresholding tersebut akan menjadi lebih baik.
43
(a)
(b)
Gambar 23 (a) Citra lemon dan daun asli ; (b) citra biner hasil thresholding Selanjutnya pada Gambar 24 terlihat bahwa hasil thresholding untuk jeruk lemon usia ≥ 120 hsbm lebih baik. Sedang untuk jeruk lemon yang masih agak kehijauan (usia < 120 hsbm) hasil thresholdingnya kurang baik. Hal ini sesuai dengan rancangan algoritma yang digunakan, pendeteksian hanya bisa untuk buah jeruk lemon yang sudah matang.
Gambar 24 (a) Citra lemon usia ≥ 120 hsbm, lemon < 120 hsbm, daun, dan tangkai ; (b) Citra biner hasil thresholding Gambar 25 direkam menggunakan obyek yang sama, namun ditambahkan potongan kertas putih pada kain hitam ( tanda
) dan permukaan jeruk lemon
paling kanan ( tanda x ). Penambahan potongan kertas putih ini dimaksudkan sebagai pengganti bunga lemon (yang juga berwarna putih). Hasilnya terlihat bahwa selain daun dan kain hitam, kertas putih itu juga tereliminasi dengan baik, hal ini sesuai dengan skenario yang dirancang, yaitu untuk menghilangkan bunga
44
yang berwarna putih seperti kertas putih. Selain itu daun dan tangkainya yang menutupi buah jeruk lemon juga berhasil dihilangkan dengan baik.
(a)
(b)
Gambar 25 (a) Citra lemon usia ≥ 120 hsbm, lemon < 120 hsbm, daun, tangkai, dan potongan kertas putih ; (b) Citra biner hasil thresholding
(a)
(b)
Gambar 26 (a) Citra lemon usia ≥ 120 hsbm, lemon < 120 hsbm, daun, tangkai, dan bunga ; (b) Citra biner hasil thresholding Pada Gambar 26, menunjukkan hasil uji coba perekaman tanaman jeruk lemon yang ada buah, bunga, dan latar belakang benda-benda lain yang juga terdapat warna putih. Dalam percobaan ini tidak digunakan latar belakang kain hitam secara penuh dengan tujuan untuk menguji kestabilan algoritma pengolahan citra yang dikembangkan. Setelah dilakukan thresholding, didapat hasil citra biner yang hanya menampilkan buah jeruk lemon usia >120 hsbm. saja.
45
Percobaan selanjutnya adalah dengan menggunakan gabungan citra buah lemon usia ≥ 120 hsbm, daun, dan tangkai. Hasil thresholding menghasilkan citra biner yang cukup baik seperti ditampilkan pada Gambar 27, 28, 29, 30, dan 31. Dan pada Gambar 31, cahaya yang terlalu terang mengakibatkan sebagian buah lemon menjadi berwarna putih. akibatnya hasil thresholdingnya menjadi tidak utuh.
(a)
(b)
Gambar 27 (a) Citra lemon usia ≥ 120 hsbm, daun, dan tangkai; (b) Citra biner hasil thresholding
(a)
(b)
Gambar 28 (a) Citra lemon usia ≥ 120 hsbm, daun, dan tangkai; (b) Citra biner hasil thresholding
46
(a)
(b)
Gambar 29 (a) Citra lemon usia ≥ 120 hsbm, daun, dan tangkai ; (b) Citra biner hasil thresholding
(a)
b)
Gambar 30 (a) Citra lemon usia ≥ 120 hsbm, daun, dan tangkai ; (b) Citra biner hasil thresholding
(a)
(b)
Gambar 31 (a) Citra lemon usia ≥ 120 hsbm, daun, dan tangkai ; (b) Citra biner hasil thresholding
47
E.
Simpulan
Simpulan dari penelitian ini adalah : 1. Thresholding buah jeruk lemon terhadap latar belakang daun, tangkai, bunga, dan kain hitam terutama dapat dilakukan dengan menggunakan parameter sinyal R dan G. Hal ini disebabkan hubungan antara sinyal R dan G pada daun, tangkai, dan bunga sangat erat dengan koefisien determinasi (R2 ) untuk daun, tangkai, dan bunga lemon masing-masing adalah
0.8331, 0.9076,
0.5964. 2. Nilai ambang sinyal R dan G yang diperlukan untuk menghilangkan latar belakang daun, tangkai, dan bunga tanaman jeruk lemon adalah R > 200 dan G > 180 , dengan skala 0 sampai 255. 3. Sedang nilai ambang yang digunakan untuk menghilangkan bunga lemon dan latar belakang lain yang berwarna putih dengan menggunakan sinyal warana merah
(R),
hijau
(G),
dan
biru
(B)
secara
bersama-sama,
yaitu
(R=G=B)>=248, dengan skala 0 sampai 255. 4. Sebagai tambahan, untuk menghasilkan citra biner buah jeruk lemon yang lebih bersih dari noise digunakan parameter kombinasi indeks warna merah (r), hijau (g), dab biru (b), yaitu ([2r-0.5g-b ≥ 0.15] dan [2r -0.5g-b ≤ 0.55]) dengan skala 0 sampai 1.
48
