i
KLASIFIKASI FISIK INTI SAWIT MENGGUNAKAN REAL TIME IMAGE PROCESSING DAN K-NEAREST NEIGHBOURHOOD (KNN)
OKTA DANIK NUGRAHENI
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2016
i
i
PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa tesis berjudul Klasifikasi Fisik Inti Sawit Menggunakan Real Time Image Processing dan K-Nearest Neighbourhood (KNN) adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
Bogor, September 2016 Okta Danik Nugraheni NIM 151130041
i
ii
RINGKASAN OKTA DANIK NUGRAHENI. Klasifikasi Fisik Inti Sawit Menggunakan Real Time Image Processing dan K-Nearest Neighbourhood (KNN). Dibimbing oleh I WAYAN ASTIKA dan I DEWA MADE SUBRATA. Penentuan mutu inti sawit secara fisik hingga saat ini masih dilakukan secara manual dengan memisahkan inti sawit menjadi 3 (tiga) bagian yaitu kotoran, inti pecah dan inti utuh (DSN 1987). Penentuan mutu inti sawit secara manual seringkali mengakibatkan terjadi konflik antar pembeli dan penjual mengenai mutu inti sawit, kondisi ini tentunya akan merugikan kedua belah pihak. Selain itu proses penentuan mutu secara manual memiliki kekurangan pada rendahnya efisiensi, objektifitas, dan tingkat konsistensi, sehingga perlu dilakukan pengembangan metode identifikasi mutu inti sawit yang baik dan akurat. Beberapa peneliti telah mengembangkan metode pengolahan citra untuk penentuan mutu objek yang berbentuk biji-bijian dengan akurasi yang cukup baik berkisar antara 60-100% diantaranya penentuan mutu biji kopi (Sofi’i et al. 2005; Soedibyo et al. 2009), biji pala (Dinar et al. 2012), biji kismis (Mollazade et al. 2012) dan biji ginko (Ahmad 2013). Beberapa peneliti juga telah berhasil membangun sistem penentuan mutu bijian secara otomatis yang terdiri atas mesin inspeksi otomatis berbasis pengolahan citra (Wan 2002; Soedibyo et al. 2010) meskipun sistem mesin tersebut masih membutuhkan investasi yang cukup besar. Sebagian besar dari penelitian tersebut dikembangkan menggunakan algoritma Artificial Neural Networks (ANN). Menurut Arifin (2012) klasifikasi menggunakan K-Nearest Neighbor (KNN) lebih mudah dan lebih handal untuk direpresentasikan dibandingkan dengan algoritma lain seperti Support Vector Machines (SVM), Naive Bayessian (NB) dan Artificial Neural Networks (ANN). Namun KNN membutuhkan alokasi memori yang besar karena tidak membangun model klasifikasi dalam prosesnya. Secara visual inti sawit utuh, pecah, dan kotoran dapat dibedakan berdasarkan bentuk, ukuran dan karakteristik kekasaran permukaan. Biji inti sawit utuh memiliki rata-rata panjang 1.57 cm, lebar 0.92 cm, kebulatan 80 % dan berat 1.11 gram. Sedangkan kotoran memiliki rata-rata panjang 1.39 cm, lebar 0.48 cm, kebulatan 60% dan berat 0.40 gram (Akubuo 2002). Berdasarkan karakteristik fisik tersebut, penentuan klasifikasi fisik inti sawit dilakukan menggunakan analisis tekstur dan morfologi. Pada penelitian ini klasifikasi fisik inti sawit dilakukan menggunakan image processing secara real time dengan metode klasifikasi K-Nearest Neighbourhood (KNN). Secara umum tujuan penelitian ini mengembangkan sistem klasifikasi fisik inti sawit berbasis pengolahan citra dan KNN secara real time. Secara spesifik tujuan penelitian ini adalah 1) Mengembangkan algoritma pengolahan citra inti sawit secara real time berdasarkan morfologi dan tekstur, 2) Melakukan pendugaan klasifikasi fisik inti sawit menggunakan KNN. Bahan yang digunakan dalam penelitian ini adalah inti sawit yang diperoleh dari pabrik pengolahan kelapa sawit (PKS) PTPN VIII Cikasungka, Jawa Barat. Peralatan yang digunakan terdiri atas nampan, timbangan digital dan perangkat pengambilan citra.
ii
iii
Penelitian dimulai dengan perancangan alat pengambilan citra kemudian dilanjutkan dengan pengembangan algoritma pengolahan citra dan pengembangan real time image processing, persiapan sampel inti sawit, pelatihan perangkat lunak dan pengujian sistem. Perangkat pengambilan citra inti sawit dirancang untuk dapat memisahkan setiap biji inti sawit satu dengan lainnya sehingga memudahkan proses klasifikasi. Perangkat pengambilan citra terdiri atas laptop, kamera handphone 8 MP, dudukan kamera, dudukan lampu neon, lampu neon 8 watt, rangka, tray berlubang untuk pemisahan inti sawit, dan alat perata untuk memasukkan inti sawit ke dalam tray berlubang. Perangkat lunak pengolahan citra dikembangkan menggunakan bahasa Matlab R2014a dengan Sistem Operasi Windows 7 dengan script program pengolah citra yang terdapat dalam toolbox image processing. Tahapan pengambangan algoritma pengolahan citra terdiri atas : 1) Pembacaan image, 2) Membedakan antara latar dan objek dengan metode binerisasi, 3) Pelabelan dan deteksi tepi objek, 4) Temu kembali citra, 5) Mengubah mode citra menjadi grayscale, red, green, blue, 6) Karakteristik ciri masing-masing citra, dan 7) Analisis KNN. Sistem Real time image processing dilakukan dengan bantuan aplikasi droidcam client V.6 yang dapat di download pada playstore. Aplikasi tersebut merubah fungsi kamera handphone menjadi web-cam. Citra dari inti utuh, pecah dan kotoran diubah menjadi citra keabuan (grayscale), selanjutnya dilakukan ekstraksi ciri histogram untuk menganalisis tekstur permukaan yang akan menghasilkan data ciri statistik dan morfologi. Klasifikasi prediksi ketepatan mutu inti sawit dilakukan menggunakan KNN. Kombinasi dari data ciri statistik dan morfologi dilakukan untuk mendapatkan ketepatan prediksi yang terbaik dengan mengacu pada jumlah tetangga (k). Hasil penelitian dengan menggunakan data uji sebanyak 90 gram atau 136 butir biji inti sawit menunjukkan akurasi tertinggi saat nilai k 27. Waktu yang dibutuhkan pada proses klasifikasi inti sawit secara real time relatif lebih lama pada proses penebaran dan perataan biji yang membutuhkan waktu 110.5 detik, sedangkan pada proses klasifikasi program hanya membutuhkan waktu 29.13 detik. Akurasi dalam pendugaan kategori inti sawit dengan cara ditebar mencapai 76.03% pada pendugaan jumlah butir, dan 71.31% pada pendugaan jumlah massa.
Kata kunci : Inti sawit, real time, pengolahan citra, KNN
iii
iv
SUMMARY OKTA DANIK NUGRAHENI. Physical Classification of Palm Kernel Using Real Time Image Processing and K-Nearest Neighborhood (K-NN). Supervised by I WAYAN ASTIKA and I DEWA MADE SUBRATA. Palm kernel quality has physically been determined using manual technique by separating the kernel into 3 parts including shells, broken, and whole kernel (DSN 1987). Determination of palm kernel quality using former method remains a problem between buyers and sellers, leading to disadvantages of them. Such manual technique is also low efficiency, objectivity, consistency, thus method development for palm kernel quality identification is required. Some researchers have developed image processing method with high accuracy ranged from 60 to 100% applied in grain-like objects such as coffee beans (Sofi'I et al. 2005; Soedibyo et al. 2009), nutmeg (Dinar et al. 2012), raisin (Mollazade et al. 2012) and ginko seed (Ahmad 2013). Some researchers have also managed to build the automatic system for determination of grain quality based on image processing (Wan 2002; Soedibyo et al. 2010), although the system still requires substantial investment. Most of these studies were developed using algorithms Artificial Neural Networks (ANN). Arifin (2012) stated that classification using K-Nearest Neighbor (KNN) was easier and more reliable to be represented in comparison with other algorithms such as Support Vector Machines (SVM), Naive Bayessian (NB) and Artificial Neural Networks (ANN). However, KNN required great memory allocation because its classification model was not built in the process. Whole kernel, broken, and shells can visually be distinguished by the shape, size and surface roughness characteristics. Whole had average length of 1.57 cm, 0.92 cm width, roundness 80%, and 1.11 gram weight, while the shell had an average length of 1.39 cm, 0.48 cm width, roundness 60% and 0.40 gram weight (Akubuo 2002). Based on the physical characteristics, classification of physical palm kernel is determined using textural and morphological analysis. In this research, the physical classification of palm kernel was performed using real time image processing with K-Nearest Neighborhood (K-NN) as method of classification accuracy. The general objective of this research was to develop a physical classification system of palm kernel based on the real time image processing and KNN. Specifically, This research aimed to 1) develop an real time image processing algorithms of palm kernel based on morphology and texture, and 2) estimate the physical classification of palm kernel using KNN. The material used in this study was palm kernel obtained from palm oil mills of PTPN VIII Cikasungka, West Java. The tools were tray, digital scales and image acquisition devices. The research consisted of several steps, including the design of the image acquisition device, the development of image processing algorithms, and development of real time image processing, preparation of palm kernel samples, software training and system testing. The image capture device of palm kernel was designed to separate each palm kernel seed, thus the classification was easier to process. Image capture
iv
v
device consisted of a laptop, 8 MP phone camera, camera holder, lighting holder, lamp 8 watt, chassis, perforated tray for separation of palm kernel, and grading tool to incorporate palm kernel into the perforated tray. Image processing software was developed using Matlab R2014a with Windows 7 Operating System and a program script contained in the image processing toolbox. Development of image processing algorithm included 1) image reading, 2) differentiation between the background and the object by binarization, 3) labelling and detection of object edges, 4) re-imaging, 5) replacement of image mode to grayscale, red, green, and blue, 6) characterization of each image feature, and 7) KNN analysis. Real time image processing system was supported by Droidcam client V.6 which is downloadable from the internet. The application changes the function of the camera phone to web-cam. The image of the shells, broken and whole kernel were transformed into grayscale images, and then histogram features were extracted to analyze the surface texture which formed statistical and morphological feature data. KNN was used to classify accuracy of prediction accuracy of palm kernel quality. Combination of statistical data and morphological data was to obtain the best prediction accuracy according to neighborhood (k). The results using 89.9 gr or 136 grains of palm kernel seeds showed the highest accuracy at k = 27. In real time classification of palm kernel, time required for spreading and flattening the kernel was 110.5 sec, but the program took only 29.13 sec for classification. Accuracy in estimation of palm kernel category by spreading was 76.03% for number of the grain estimating and 71.31% for the mass estimation. Keywords: palm kernel, real time, image processing, KNN
v
vi
© Hak Cipta Milik IPB, Tahun 2016 Hak Cipta Dilindungi Undang-Undang Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini dalam bentuk apa pun tanpa izin IPB
vi
vii
KLASIFIKASI FISIK INTI SAWIT MENGGUNAKAN REAL TIME IMAGE PROCESSING DAN K-NEAREST NEIGHBOURHOOD (KNN)
OKTA DANIK NUGRAHENI Tesis sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Program Studi Teknik Mesin Pertanian dan Pangan
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2016
vii
viii
Penguji Luar Komisi pada Ujian Tesis : Dr Liyantono, STP MAgr
viii
x
PRAKATA Alhamdulillahi rabbil ‘alamin, puja dan puji syukur penulis panjatkan kehadirat Allah, SWT yang telah memberikan rahmat-Nya sehingga penulis dapat menyelesaikan penyusunan tesis yang berjudul Klasifikasi Fisik Inti Sawit Menggunakan Real Time Image Processing dan K-Nearest Neighbourhood (KNN). Pada kesempatan ini penulis menyampaikan terima kasih kepada Dr Ir I Wayan Astika MSi (Ketua Komisi Pembimbing) dan Dr Ir I Dewa Made Subrata MAgr (Anggota Komisi pembimbing) atas bimbingan dan saran selama penelitian, Dr Ir Y. Aris Purwanto MSc selaku ketua Program Studi Teknik Mesin Pertanian dan Pangan dan Dr Liyantono STP MAgr (Penguji Luar Komisi Pembimbing) yang telah memberikan saran dan arahan untuk perbaikan tesis ini. Penulis juga menyampaikan ucapan terima kasih kepada teman-teman seperjuangan di S2 Teknik Mesin Pertanian dan Pangan (2013) dan S2 Teknologi Pasca Panen (2013) atas bantuan dan dukungannya selama ini. Serta teman-teman yang telah berkontribusi membantu penelitian ini : Agus Sutejo STP MSi, Dr Slamet Widodo STP MSc, Arief, Ubaidillah, Syahid, Waqif, Wendi, dan Ayunk. Secara khusus, penulis menyampaikan ucapan terima kasih kepada suami tercinta Ahmad Thoriq, ananda Atha Rafif Nugroho, ibunda Sulastini, dan ayahanda Rumain, yang selalu memberikan semangat dan inspirasi. Harapan penulis semoga karya ilmiah ini bermanfaat bagi semua pihak yang memerlukannya.
Bogor, September 2016
Okta Danik Nugraheni
x
xi
DAFTAR ISI DAFTAR ISI
xi
DAFTAR TABEL
xii
DAFTAR GAMBAR
xii
DAFTAR LAMPIRAN
xiii
1 PENDAHULUAN Latar Belakang Perumusan Masalah Tujuan Penelitian Manfaat Penelitian Ruang Lingkup Penelitian
1 1 2 2 2 2
2 TINJAUAN PUSTAKA Inti Kelapa Sawit Pengolahan Citra untuk Penentuan Mutu Bijian Sistem Penentuan Mutu Bijian Secara Otomatis K-Nearest Neighbour
3 3 4 6 7
3 METODE Waktu dan Tempat Bahan dan Alat Prosedur Penelitian
7 7 8 8
4 HASIL DAN PEMBAHASAN 17 Perangkat Pengambilan Citra Inti Sawit 17 Sistem Akuisisi Citra 18 Karakteristik Citra Inti Sawit 20 Hasil Pengujian Sistem Real Time Image Processing Menggunakan KNN 22 5 SIMPULAN DAN SARAN Simpulan Saran
27 27 28
DAFTAR PUSTAKA
29
LAMPIRAN
31
RIWAYAT HIDUP
43
xi
xii
DAFTAR TABEL Tabel 1 Standar mutu inti sawit Tabel 2 Ketepatan pendugaan klasifikasi dengan nilai k = 27 Tabel 3 Hasil pengujian massa masing-masing kategori Tabel 4 Hasil pengujian dengan cara menebar dalam jumlah butir Tabel 5 Hasil pengujian dengan cara menebar dalam jumlah massa Tabel 6 Total waktu yang dibutuhkan dalam pengoperasian alat Tabel 7 Waktu yang dibutuhkan pada masing-masing proses
3 23 25 26 26 27 27
DAFTAR GAMBAR Gambar 1 Mesin sortasi bijian tipe sabuk (Wan 2002) Gambar 2 Diagram alir tahapan penelitian Gambar 3 Perangkat pengambilan citra inti sawit Gambar 4 Klasifikasi inti sawit ; (a) utuh, (b) pecah, (c) kotoran Gambar 5 Diagram alir analisis citra Gambar 6 Tampilan figure window Usecam Gambar 7 Diagram alir proses klasifikasi kategori inti sawit secara real time Gambar 8 Perangkat pengambilan citra Gambar 9 Detail perangkat pengambilan citra, (a) tampak atas, (b) detail tray berlubang Gambar 10 Tampilan antar muka sistem pengambilan citra inti sawit Gambar 11 Tampilan program proses perhitungan parameter ciri dan diklasifikasi berdasarkan jenis dan jumlah biji inti sawit Gambar 12 Tampilan program proses klasifikasi berdasarkan jenis dan berat biji inti sawit Gambar 13 Sebaran nilai setiap kategori pada ciri morfologi Gambar 14 Nilai irisan distribusi penggolongan citra inti sawit berdasarkan parameter ciri statistik Gambar 15 Akurasi pendugaan kategori inti sawit dengan berbagai nilai k Gambar 16 Kurva regresi hubungan antara berat dan luas untuk kategori biji utuh Gambar 17 Kurva regresi hubungan antara berat dan luas untuk kategori biji pecah Gambar 18 Kurva regresi hubungan antara berat dan luas untuk kategori kotoran Gambar 19 Contoh penampakan cangkang inti sawit
xii
6 8 10 13 14 15 16 18 18 19 19 20 21 21 22 23 24 24 25
xiii
DAFTAR LAMPIRAN Lampiran 1 Cara uji mutu fisik inti kelapa sawit Lampiran 2 Hasil uji statistik ANOVA Lampiran 3 Hasil pengujian masing-masing kategori dengan cara menebar Lampiran 4 Hasil pengujian masing-masing kategori dengan cara menebar dengan kapasitas maksimal (100 gram) Lampiran 5 Proses penebaran inti sawit diatas tray Lampiran 6 Contoh tampilan program antar muka pada proses klasifikasi biji yang ditebar dengan tray Lampiran 7 Contoh tampilan hasil klasifikasi yang ditunjukkan dengan warna pada biji yang ditebar dengan tray
32 34 38 39 40 41 42
xiii
1
1 PENDAHULUAN Latar Belakang Inti sawit merupakan produk samping hasil pengolahan Tandan Buah Segar (TBS) yang masih memiliki nilai jual tinggi. Inti sawit akan diolah lebih lanjut untuk pembuatan minyak inti sawit. TBS yang dipanen terdiri atas tandan kosong (29%), inti sawit (11%) dan daging buah (60%) (Hariyadi 2010). Saat ini Indonesia memproduksi minyak inti sawit sebesar 3.78 milion matrik ton (MMT) dan bungkil inti sawit sebesar 4.55 MMT (USDA 2015). Hal ini menunjukkan bahwa produksi inti sawit dan yang diperdagangkan di Indonesia mencapai 8.30 MMT. Pada proses perdagangan inti sawit, pembeli akan mengambil inti sawit di gudang penyimpanan pada pabrik pengolahan crude palm oil (CPO) menggunakan truk. Sebelum truk keluar dari pabrik, inti sawit yang telah dimuat dalam truk dilakukan analisis mutu. Cara pengambilan contoh dan cara uji mengacu pada SNI inti sawit nomor 01-0002-1987. Standar mutu inti sawit yang diperdagangkan terbagi ke dalam dua bagian, yaitu 1) mutu secara fisik yang terdiri atas kotoran (maksimal 6%), inti pecah (maksimal 15%) dan inti berubah warna (maksimal 40%); 2) mutu secara kimia terdiri atas kadar air (maksimal 8%), kadar minyak (minimal 46%) dan kadar asam lemak bebas (maksimal 3%) (DSN 1987). Penentuan mutu inti sawit secara fisik hingga saat ini masih dilakukan secara manual dengan memisahkan inti sawit menjadi 3 (tiga) bagian yaitu kotoran, inti pecah, dan inti utuh (DSN 1987). Penentuan mutu inti sawit secara manual seringkali mengakibatkan terjadi konflik antar pembeli dan penjual mengenai mutu inti sawit, kondisi ini tentunya akan merugikan kedua belah pihak. Selain itu proses penentuan mutu secara manual memiliki kekurangan pada rendahnya efisiensi, objektifitas, dan tingkat konsistensi, sehingga perlu dilakukan pengembangan metode identifikasi mutu inti sawit yang baik dan akurat berbasis pengolahan citra. Teknologi pengolahan citra semakin banyak dikembangkan didunia pertanian, karena dapat digunakan untuk pengukuran/pengujian dan klasifikasi suatu bahan secara otomatis, obyektif, dan konsisten dengan kapasitas besar dan tidak memerlukan banyak tenaga kerja. Beberapa peneliti telah mengembangkan metode pengolahan citra untuk penentuan mutu objek yang berbentuk biji-bijian dengan akurasi yang cukup baik berkisar antara 60-100% diantaranya penentuan mutu biji kopi (Sofi’i et al. 2005; Soedibyo et al. 2009), biji pala (Dinar et al. 2012), biji kismis (Mollazade et al. 2012) dan biji ginko (Ahmad 2013). Peneliti lain juga telah berhasil membangun sistem penentuan mutu bijian secara otomatis yang terdiri atas mesin inspeksi otomatis berbasis pengolahan citra (Wan 2002; Soedibyo et al. 2010) meskipun sistem mesin tersebut masih membutuhkan investasi yang cukup besar. Sebagian besar dari penelitian tersebut dikembangkan menggunakan algoritma Artificial Neural Networks (ANN). Alternatif lain dapat dilakukan menggunakan K-Nearest Neighbor (KNN). Menurut Arifin (2012) klasifikasi menggunakan K-Nearest
1
2
Neighbor (KNN) lebih mudah dan lebih handal untuk direpresentasikan dibandingkan dengan algoritma lain seperti Support Vector Machines (SVM), Naive Bayessian (NB), dan Artificial Neural Networks (ANN). Namun KNN membutuhkan alokasi memori yang besar karena tidak membangun model klasifikasi dalam prosesnya. Secara visual inti sawit utuh, pecah, dan kotoran dapat dibedakan berdasarkan bentuk, ukuran, dan karakteristik kekasaran permukaan. Biji inti sawit utuh memiliki rata-rata panjang 1.57 cm, lebar 0.92 cm, kebulatan 80 % dan berat 1.11 gram. Sedangkan kotoran memiliki rata-rata panjang 1.39 cm, lebar 0.48 cm, kebulatan 60% dan berat 0.40 gram (Akubuo 2002). Berdasarkan karakteristik fisik tersebut, penetuan klasifikasi fisik inti sawit dilakukan menggunakan analisis tekstur dan morfologi. Analisis morfologi digunakan untuk menganalisis bentuk biji, sehingga orientasi biji dapat ditentukan ketika biji dihamparkan (Ahmad 2013) sedangkan analisis tekstur bertujuan untuk mendapatkan ciri atau fitur pada citra grayscale (Qur'ania et al. 2012). Pada penelitian ini klasifikasi fisik inti sawit dilakukan menggunakan image processing secara real time dengan metode klasifikasi K-Nearest Neighbourhood (KNN). Perumusan Masalah Analisis mutu fisik inti sawit dilakukan untuk menentukan pengaturan mesin screw press pada stasiun pengempaan yang tepat, sehingga didapatkan minyak sawit mentah (CPO) maksimal dan inti sawit pecah minimal. Selain itu analisis mutu fisik inti sawit dilakukan pada proses perdagangan inti sawit sebagai parameter utama penentuan harga inti sawit. Hingga saat ini penentuan mutu inti sawit secara fisik pada pabrik pengolahan kelapa sawit masih dilakukan secara manual yang sangat dipengaruhi oleh pengalaman, sehingga diperlukan perangkat klasifikasi fisik inti sawit berbasis pengolahan citra yang dioperasikan secara real time untuk meningkatkan konsistensi. Tujuan Penelitian Secara umum tujuan penelitian ini mengembangkan sistem klasifikasi fisik inti sawit berbasis pengolahan citra dan KNN secara real time. Secara spesifik tujuan penelitian ini adalah : 1. Mengembangkan algoritma pengolahan citra inti sawit secara real time berdasarkan morfologi dan tekstur 2. Melakukan pendugaan klasifikasi fisik inti sawit menggunakan KNN
Manfaat Penelitian Hasil dari penelitian ini diharapkan dapat digunakan sebagai referensi untuk membuat mesin grading dan sortasi inti sawit secara otomatis. Ruang Lingkup Penelitian Ruang lingkup penelitian meliputi perancangan alat pengambilan citra yang sederhana, penggunaan kamera handphone untuk pengambilan citra dan
3
pengembangan algoritma pengolahan citra menggunakan KNN secara real time. Parameter klasifikasi fisik mengacu pada SNI inti sawit nomor 01-0002-1987 meliputi inti sawit utuh, pecah dan kotoran. Inti sawit yang digunakan berasal dari pabrik pengolahan kelapa sawit PT. Perkebunan Nusantara VIII Cikasungka, Kabupaten Bogor.
2 TINJAUAN PUSTAKA Inti Kelapa Sawit Inti kelapa sawit adalah bagian dari buah tanaman sawit (Elaeis guineensis Jacq) yang telah dipisahkan dari daging buah dan tempurung serta dikeringkan. Pada pabrik kelapa sawit, pembentukan biji terjadi pada stasiun pengempaan. Biji kelapa sawit terdiri atas cangkang dan inti kelapa sawit. Proses pengempaan dilakukan menggunakan screw press dan akan menghasilkan minyak kasar dengan kadar 50% CPO, 42% air, 8% zat padat. Zat padat berupa biji, serabut mesocarp dan cangkang masih tercampur sehingga harus dipisahkan. Proses pemisahan biji dan serabut dilakukan dengan 2 (dua) cara yaitu : 1) Pneumatis, dengan menggunakan tarikan atau hisapan udara pada sebuah kolom pemisah. Pemisahan terjadi akibat adanya perbedaan berat antara dua jenis bahan yang hendak dipisahkan (biji dan serabut). Selanjutnya biji yang telah terpisah masuk ke dalam nut polishing drum (tromol pembersih biji) dan dikeringkan pada nut silo. 2) Mekanis, menggunakan ayakan model segi delapan (oktogonal) yang kedelapan sisinya dibentuk oleh lembaranlembaran besi. Biji-biji dipisahkan dari serabut yang akan disaring melalui lubanglubang lembaran besi tersebut. Setelah biji dipisahkan dari serabut, selanjutnya dilakukan proses pengeringan biji, pemisahan biji, pemecahan biji, serta pemisahan inti sawit dan cangkang dengan teknik pemisahan basah yang dilanjutkan dengan pengeringan inti sawit. Produk akhir inti sawit kemudian disimpan digudang dan siap diperdagangkan (Pahan 2008). Standar Mutu Inti Sawit Menurut SNI 01-0002-1987 standar mutu inti sawit yang diperdagangkan terbagi ke dalam 2 (dua) bagian yaitu 1) mutu secara fisik yang terdiri atas kotoran, inti sawit pecah dan Inti berubah warna, 2) mutu secara kimia terdiri atas kadar air, kadar minyak dan kadar asam lemak bebas. Standar mutu inti sawit dapat dilihat pada Tabel 1. Tabel 1 Standar mutu inti sawit No Jenis Uji Satuan Persyaratan 1 2
% %
min.46 maks.3
3 4 5
Kadar Minyak, (b/b) kering Kadar Asam Lemak Bebas,(b/b) dihitung sbg Asam Laurat Kadar Air, (b/b) Kadar Kotoran. (b/b) Kadar Inti Pecah (b/b)
% %
maks.8.0 maks.6 15
6
Kadar lnti Berubah warna (jumlah/jumlah)
%
40
Sumber : SNI 01-0002-1987
4
Mekanisme Pengambilan Sampel Uji Contoh diambil secara acak sebanyak akar pangkat dua dari jumlah karung dengan maksimum 30 karung dari tiap partai barang maksimum 1000 karung. Kemudian dari tiap karung diambil sebagai contoh maksimum 1 kg dari bagian atas, tengah, dan bawah. Contoh-contoh tersebut dicampur dan diaduk sehingga merata, kemudian dibagi empat dan secara diagonal dua bagian diambil untuk disatukan kembali. Cara tersebut diatas dilakukan beberapa kali sampai diperoleh contoh seberat 1 kg contoh. kemudian dimaksukkan kedalam kantong plastik dan disegel, serta diberi label yang antara lain bertuliskan identitas pengambilan contoh dan tanggal pengambilan contoh. Sedangkan cara pengujian mutu secara fisik dapat dilihat pada Lampiran 1. Petugas pengambil contoh harus memenuhi syarat yaitu orang yang telah berpengalaman atau dilatih lebih dahulu dan mempunyai ikatan dengan suatu badan hukum (DSN 1987). Pengolahan Citra untuk Penentuan Mutu Bijian Soedibyo et al. (2009) melakukan pengembangan pengolahan citra untuk penentuan mutu kopi beras. Pengolahan citra digunakan untuk mendapatkan enam parameter citra berupa : area, lebar, perimeter, area cacat, indeks warna merah, dan indeks warna hijau. Kelas mutu yang diamati adalah kelas mutu A, B, C dan reject. Sampel biji kopi beras yang digunakan pada masing-masing kelas mutu adalah 128 biji, sehingga secara keseluruhan digunakan 512 biji kopi beras. Pengambilan gambar digunakan secara majemuk dengan susunan biji kopi beras yang teratur dengan konfigurasi matrik 4 x 4. Keenam parameter citra dianalisis secara statistik untuk mendapatkan hubungan antara enam parameter citra dengan kelas mutu biji kopi beras, kemudian merumuskan hubungan tersebut dengan persamaan logika. Dari enam parameter tersebut hanya area, area cacat, r, dan g yang dapat diformulasikan kedalam persamaan logika. Hasil yang diperoleh adalah program komputer dapat mengidentifikasi kelas mutu dengan tingkat kesesuaian 78% dengan tingkat kesesuaian masing-masing mutu A, B, C, dan reject berturut-turut sebesar 64%, 64%, 87% dan 96%. Dinar et al. (2012) melakukan pendugaan kelas mutu berdasarkan analisa warna dan bentuk biji pala (Myristica fragrans houtt) menggunakan teknologi pengolahan citra dan jaringan saraf tiruan. Citra diambil dengan machine vision dilengkapi dengan sensor citra sebuah webcam (Genius 2MP iSlim 2020), sumber cahaya berasal dari lampu TL 5 watt sebanyak 2 buah, dan PC untuk menyimpan citra, mengolah data, menampilkan citra. Latar belakang dinding berwarna hitam dan proses pengumpulan data citra dilengkapi dengan alat pengukur intensitas cahaya Luxmeter untuk memastikan keseragaman intensitas cahaya. Proses analisa dan pengolahan citra dilakukan dengan bantuan software Matlab R2009a dengan script program pengolah citra yang terdapat dalam toolbox image processing. Hasil penelitian menunjukan parameter mean saturation dan area berhasil mengidentifikasi kelas mutu pala ABCD, Rimpel dan BWP dengan akurasi 100%. Mollazade et al. (2012) mengidentifikasi kualitas kismis menggunakan image processing dan data mining klasifikasi. Data mining klasifikasi yang digunakan antara lain artificial neural networks (ANNs), support vector machines (SVMs), decision trees (DTs) dan Bayesian networks (BNs). Sebelum proses
5
pengambilan image, kismis dipisahkan berdasarkan kualitas atau kelasnya masing-masing oleh orang yang sudah berpengalaman berdasarkan standard provided by Institute of Standards and Industrial Research of Iran (ISIRI, 1990). Pengelompokannya terdiri atas kismis hijau tanpa ekor (G), kismis hijau dengan ekor (GT), kismis hitam tanpa ekor (B), dan kismis hitam dengan ekor (BT). Hanya 25 kismis yang diambil gambarnya dalam satu kali foto, dan masingmasing kelompok diambil 10 gambar sampel. Setelah proses pengolahan citra yaitu dilakukan klasifikasi berdasarkan empat teknik data mining. Hasil dari tahap validasi ANN menunjukkan akurasi klasifikasi tertinggi 96.33%, SVM dengan fungsi inti sawit polynomial 95.67%, DT dengan algoritma J48 94.67%, dan BN dengan simulated annelin learning 94.33%. Ahmad (2013) deteksi ujung biji ginko menggunakan pengolahan citra berbasis analisis morfologi. Bahan dan peralatan yang digunakan adalah sampel biji ginkgo sebanyak 60 buah yang terdiri dari tiga varietas masing-masing 20 buah, yaitu varietas Kinbei, Kyujyu, dan Tokuro. Peralatan yang digunakan adalah kamera CCD ARTCAM-267 KY (0.5inch), yang dipasangkan dengan lampu LED putih LDR2-90-30SW berdaya 18W dan 5500K color temperature, dengan jarak lensa dan obyek 70mm. Sebuah komputer digunakan untuk perekaman dan pengolahan citra. Citra direkam dalam resolusi 640x480 piksel dan dianalisis menggunakan program komputer yang dibangun menggunakan MSVC#2010 Express di atas Sistem Operasi Windows 7. Hasil deteksi bagian ujung biji menggunakan algoritma berdasarkan analisis morfologi dengan akurasi masing-masing 100% untuk Kinbei, 85% untuk Kyujyu, dan 65% untuk Tokuro. Operasi morfologi dilakukan untuk memperbaiki bentuk biji pada citra biner sehingga kemampuan deteksi ujung biji dapat ditingkatkan. Hasil deteksi bagian ujung biji setelah operasi perbaikan bentuk dilakukan masing-masing meningkat menjadi 100% untuk Kyujyu dan 85% untuk Tokuro, sedangkan Kinbei tidak terpengaruh, tetap 100%. Zawbaa et al. (2014) melakukan penelitian pengenalan otomatis untuk mengklasifikasi dan mengidentifikasi jenis buah dari bentuk dan warna serta menggunakan scale invariant feature transform (SIFT). Pada tahap klasifikasi digunakan algoritma KNN dan SVM. Komoditi yang digunakan adalah jeruk, stroberi, dan apel. Skenario yang digunakan yang pertama; adalah ekstraksi fitur berdasarkan bentuk dan warna dengan KNN, kedua; ekstraksi fitur berdasarkan bentuk dan warna dengan SVM, ketiga; ekstraksi fitur berdasarkan SIFT dengan KNN, dan terakhir; ekstraksi fitur berdasarkan SIFT dengan SVM. Hasil penelitian menunjukkan bahwa akurasi klasifikasi tergantung pada derajat diferensiasi antara jenis buah. Pengamatan dilakukan dengan 3 metode yang pertama yaitu pengamatan pada buah jeruk dan apel yang memiliki kesamaan bentuk dan warna berbeda, diperoleh nilai akurasi tertinggi dengan algoritma klasifikasi SVM. Metode yang kedua yaitu menggunakan apel dan stroberi yang memiliki bentuk berbeda dan warna yang sama, diperoleh akurasi tertinggi pada ekstraksi fitur SIFT dan menggunakan KNN. Terakhir metode pengamatan dengan bentuk dan warna buah yang berbeda yaitu jeruk dan stroberi, diperoleh akurasi 100% dengan ekstraksi fitur SIFT dan KNN pada kedua jenis buah.
6
Sistem Penentuan Mutu Bijian Secara Otomatis Wan (2002) membangun sistem penanganan bijian otomatis yang terdiri atas mesin inspeksi otomatis dan unit pengolahan citra. Sistem ini menyediakan bijian yang tersusun dalam pola matriks secara kontinyu untuk diambil gambarnya dengan kamera CCD, memisahkan setiap bijian dengan background (conveyor belt), dan melepaskan bijian menuju kontainer yang ditentukan. Mesin inspeksi memiliki alat penyebar dan pengatur posisi, stasiun pengambilan gambar, alat pemisah paralel, dan konveyor sabuk yang memiliki lubang pembawa bijian. Sistem diuji menggunakan beras, gandum, sorgum, dan jobstear. Sistem penentuan mutu ini menggunakan tipe sabuk, citra bijian diambil secara majemuk dengan konfigurasi matriks 4 x 6 sehingga memudahkan dalam pemisahan individu bijian. Penentuan mutu ini memisahkan bijian dalam 6 kelas mutu. Pengujian menujukkan bahwa alat penyebar dan pengaturan posisi memiliki rasio pengisian sebesar 90%, dan peralatan pemisah paralel memiliki akurasi 99%. Sistem ini dapat memproses 1899 biji setiap menit dengan penggunaan satu kamera. Sedangkan pada penggunaan dua kamera kecepatan proses sebesar 1296 biji tiap menit. Gambar 1 berikut ini adalah gambar sistem yang dibangun.
Gambar 1 Mesin sortasi bijian tipe sabuk (Wan 2002) Soedibyo et al.(2010) melakukan rancang bangun sistem sortasi cerdas berbasis pengolahan citra untuk kopi beras. Kontruksi sistem mesin sortasi yang dibuat terdiri atas : 1) Stasiun pengambilan citra, 2) Motor penggerak dan sistem konveyor, 3) Simulator pemisah paralel, 4) Sistem kontrol dan aliran data. Hasil image acquisition dengan resolusi citra 640 x 480 menunjukkan bahwa jarak optimal kamera dengan obyek adalah adalah 207 milimeter dan jarak pencahayaan 300 milimeter. Citra yang ditangkap kamera digital dan ditampilkan oleh monitor komputer sama atau mendekati aslinya, sedikit timbul bayangan, dan tidak ada cahaya berlebih yang mempengaruhi warna obyek. Citra yang dihasilkan setiap frame berisi 16 kopi beras yang disusun dalam bentuk matriks 4 x 4. Sebagai background adalah belt berlubang yang berwarna putih. Lubang tersebut berfungsi sebagai tempat dudukan biji.
7
Makky dan Soni (2013) merancang bangun sebuah mesin pemeriksa otomatis untuk TBS yang dibuat dan diuji melalui serangkaian uji lapangan. Terdapat empat subsistem mesin yang telah diuji menggunakan analisis diskriminasi bertahap. Mesin melakukan klasifikasi TBS menjadi dua kelas, yaitu ditolak (kelas 1), dan diterima (kelas 2) dengan tingkat keberhasilan 93.53%. Untuk klasifikasi fraksi digunakan standar Indonesian Oil Palm Research Institut (IOPRI) sebagai acuan. Penelitian ini menerapkan algoritma K-means dan analisis kuadrat jarak Euclidean, yang menunjukkan tingkat keberhasilan 88.7%. Delapan model yang digunakan untuk memperkirakan berat TBS, satu untuk setiap fraksi, dan menunjukkan rata-rata R2 adalah 0.9603. Pengembangan mesin pemeriksa otomatis untuk kelapa sawit TBS dengan prinsip real-time dan metode nondestruktif menjadi mesin pertama di Indonesia yang melakukan pemeriksaan TBS otomatis dan parameter identifikasi TBS berdasarkan standar penilaian IOPRI. K-Nearest Neighbour K-nearest neighbour (KNN) adalah salah satu metode klasifikasi yang berbasis pembelajaran. KNN membandingkan data uji yang diberikan dengan data latih yang sama berdasarkan jumlah tetangga terdekat (k). Setiap data merepresentasikan sebuah titik dalam kelas. Data latih disimpan dalam kelas yang telah ditentukan. Ketika diberikan data yang tidak diketahui kelasnya, KNN akan mencari pola sebanyak k data latih yang dekat dengan data yang belum memiliki kelas. Sehingga kinerjanya sangat tergantung pada metrik jarak yang digunakan untuk mengidentifikasi tetangga terdekat (Weinberger et al. 2006). Sebagian besar pengklasifikasi KNN menggunakan jarak euclidian sederhana untuk mengukur perbedaan-perbedaan antara contoh yang direpresentasikan sebagai input vektor. Menurut Syafitri (2010) misalkan terdapat dua data, yaitu x= (x1, x2,…xn) dan y= (y1,y2,…yn), maka jarak euclidian-nya adalah : 𝑑(𝑥, 𝑦) = √∑𝑛𝑖=1(𝑥𝑖 − 𝑦𝑖 )2
(1)
Dimana d (x, y) adalah jarak antara dua data, n adalah jumlah parameter penduga. Jarak euclidian yang semakin kecil menunjukkan kesamaan yang lebih tinggi. Jarak 0 berarti bahwa data sama (Trstenjak et al. 2014).
3 METODE Waktu dan Tempat Penelitian ini dilaksanakan di Laboratorium Manufaktur Departemen Teknik Mesin dan Biosistem Fakultas Teknologi Pertanian, IPB selama 11 bulan, dimulai pada bulan Mei 2015 sampai dengan bulan April 2016.
8
Bahan dan Alat Bahan yang digunakan dalam penelitian ini adalah inti sawit yang diperoleh dari pabrik pengolahan kelapa sawit (PKS) PTPN VIII Cikasungka, Jawa Barat. Peralatan yang digunakan terdiri atas nampan, timbangan digital dan perangkat pengambilan citra. Prosedur Penelitian Penelitian dimulai dengan perancangan alat pengambilan citra kemudian dilanjutkan dengan pengembangan algoritma pengolahan citra dan pengembangan real time image processing, persiapan sampel inti sawit, pelatihan perangkat lunak dan pengujian sistem. Diagram alir tahapan penelitian secara lebih detail dapat dilihat pada Gambar 2. Mulai Perancangan perangkat pengambilan citra
Pengembangan algoritma pengolahan citra Pengembangan perangkat real time image processing
Persiapan sampel Pelatihan perangkat lunak pengolahan citra
Berhasil
Tidak
Ya Pengujian sistem
Akurasi Pendugaan Klasifikasi Fisik Inti Sawit
Selesai
Gambar 2 Diagram alir tahapan penelitian Perancangan Sistem Klasifikasi Inti Sawit secara Real Time Sistem klasifikasi inti sawit yang dibangun terdiri atas 2(dua) bagian yaitu perangkat keras (hardware) dan perangkat lunak (software). Perangkat keras dikembangkan untuk mempermudah proses pembacaan citra inti sawit sedangkan perangkat lunak dikembangkan untuk dapat mengklasifikasi citra inti sawit berdasarkan karakteristik fisik. Perangkat keras terdiri atas perangkat pengambilan citra yang dirancang untuk dapat memisahkan setiap biji inti sawit satu dengan lainnya sehingga memudahkan proses klasifikasi. Perangkat pengambilan citra terdiri atas dudukan kamera, dudukan lampu neon, rangka, tray berlubang untuk pemisahan inti sawit, dan alat perata untuk memasukkan inti sawit ke dalam tray berlubang. Perangkat lunak pengolahan citra dikembangkan menggunakan bahasa
9
Matlab R2014a dengan Sistem Operasi Windows 7 dengan script program pengolah citra yang terdapat dalam toolbox image processing. Kriteria Rancangan Perancangan sistem klasifikasi inti sawit secara real time yang dibangun memiliki kriteria sebagai berikut : 1) Alat pengambilan citra dirancang dapat memisahkan antar biji inti sawit 2) Program pengolahan citra inti sawit dapat membaca dan melakukan klasifikasi secara langsung (real time) 3) Sistem klasifikasi inti sawit mudah dioperasikan Rancangan Fungsional Sistem klasifikasi inti sawit terdiri atas hardware dan Software yang memiliki fungsi yang berbeda-beda, diantaranya : 1) Kamera handphone sebagai proses masukan dari sebuah sistem pengambilan citra inti sawit 2) Tray berlubang berfungsi sebagai alat bantu pemisah biji inti sawit agar tidak saling menempel 3) Kabel USB digunakan untuk menghubungkan handphone dengan komputer untuk memindahkan (transfer) data dari handphone ke komputer 4) Program pengolahan citra berfungsi untuk mengolah citra inti sawit secara real time Untuk mendapatkan citra yang baik, maka diperlukan pengaturan beberapa parameter yang mempengaruhi kualitas citra diantaranya : 1) Pemilihan warna latar yang tepat Warna latar yang dipilih adalah warna yang kontras dengan warna inti sawit. Pemilihan warna latar dilakukan dengan menguji beberapa warna kemudian membandingkan dengan warna inti sawit. 2) Optimasi pencahayaan yang tepat Penentuan pencahayaan yang tepat dilakukan dengan menguji tiga lampu neon yang memiliki daya 5 Watt, 8 Watt dan 15 Watt. Intensitas pencahayaan diukur menggunakan lux meter. Citra diambil dari setiap lampu neon dan dianalisis menggunakan program pengolahan citra digital, lampu neon yang dipilih adalah lampu yang memberikan akurasi terbaik. Rancangan Struktural Sistem klasifikasi memiliki struktur yang dirancang untuk memudahkan operator dalam mengoperasikannya. Perangkat pengambilan citra inti sawit tampak pada Gambar 3. 1) Rangka berukuran 900mm × 600mm × 300mm yang terbuat dari besi siku 2) Tray berlubang berukuran 900mm × 600mm dengan lubang berdiameter 18 mm yang terbuat dari bahan nylon. Nylon merupakan bahan thermoplastic, penggunaan bahan nylon bertujuan untuk mempermudah proses pembuatan lubang. 3) Dudukan kamera yang diatur pada ketinggian 300mm. Penentuan jarak optimum pengambilan citra dilakukan dengan mempertimbangkan luas objek yang dapat diambil yang berimplikasi pada berat objek. Dudukan kamera yang digunakan adalah tongkat selfie (self portrait). Pemakaian tongkat selfie (self
10
portrait) memudahkan pada proses pemasangan dan pelepasan handphone. Penentuan jarak dilakukan dengan mengambil citra inti sawit pada variasi jarak yang berbeda, selanjutnya citra dianalisis menggunakan perangkat lunak pengolahan citra dan pilih jarak terbaik yang digunakan sebagai acuan pada proses pengambilan citra inti sawit.
Gambar 3 Perangkat pengambilan citra inti sawit Pengembangan Algoritma Pengolahan Citra Perangkat lunak pengolahan citra dikembangkan menggunakan bahasa Matlab R2014a dengan Sistem Operasi Windows 7 dengan script program pengolah citra yang terdapat dalam toolbox image processing. Tahapan pengembangan algoritma pengolahan citra dijelaskan sebagai berikut : 1. Pembacaan image Pembacaan citra dapat menggunakan perintah imread yang berarti image read. Hasil dari pembacaan imread (‘filename’) bisa berupa matriks dua dimensi untuk citra grayscale dan matrik tiga dimensi untuk citra berwarna. 2. Membedakan antara latar dan objek dengan metode binerisasi Warna latar yang dipilih adalah warna yang kontras dengan warna inti sawit. Selanjutnya warna latar yang dipilih diubah menjadi warna putih sedangkan warna objek diubah menjadi warna hitam. 3. Pelabelan dan deteksi tepi objek Pelabelan dilakukan dengan memanfaatkan toolbox regionprops untuk mengetahui posisi masing-masing objek (biji) dari citra inti sawit yang terdiri atas beberapa biji. Proses pelabelan mengacu pada centroid dari objek, selanjutnya dilakukan deteksi tepi untuk mengetahui batas dari masing-masing objek. 4. Temu kembali citra Setelah diketahui posisi masing-masing objek hasil dari proses pelabelan dan deteksi tepi, selanjutnya dilakukan proses temu kembali citra dengan memanggil citra asli (berwarna) sehingga dapat dilakukan cropping sesuai dengan posisi pelabelan. 5. Mengubah mode citra menjadi grayscale, red, green, blue Citra yang telah di-crop, kemudian dilakukan perhitungan dengan mengubah mode citra menjadi grayscale, red, green, dan blue sehingga diperoleh nilai histogram dari masing-masing mode. 6. Karakteristik ciri masing-masing citra
11
Nilai histogram yang didapat dari masing-masing mode selanjutnya dihitung sehingga menghasilkan data ciri statistik orde satu. Menurut Meelursarn (2006) dan Permadi dan Murinto (2015) nilai-nilai hasil dari eksktraksi ciri statistik ordo pertama dihitung dengan beberapa parameter ciri statistik yang terdiri atas nilai mean, skewness, variance, kurtosis, dan entrophy menggunakan persamaan berikut: 𝜇 = ∑𝑛 𝑓𝑛 𝑝(𝑓𝑛 ) (2) 𝜎 2 = ∑𝑛(𝑓𝑛 − 𝜇)2 𝑝(𝑓𝑛 ) 1
𝜎3 = 𝜎 ∑𝑛(𝑓𝑛 − 𝜇)3 𝑝(𝑓𝑛 ) 3
1
(3) (4)
𝜎4 = 𝜎 ∑𝑛(𝑓𝑛 − 𝜇)4 𝑝(𝑓𝑛 ) − 3
(5)
𝐻 = − ∑𝑛 𝑝(𝑓𝑛 )2 . log 𝑝(𝑓𝑛 )
(6)
4
Dimana : µ : mean (ukuran dispersi dari suatu citra) fn : nilai intensitas keabuan p(fn) : nilai histogram σ2 : Variance (variasi elemen pada histogram) σ3 : Skewness (tingkat kemencengan relatif kurva histogram) σ4 : Kurtosis (ukuran ketidakteraturan bentuk) H : Entropy Ekstraksi ciri statistik ordo kedua yang terdiri atas nilai contrast, corelation, energy, dan homogenity lebih banyak digunakan apabila ekstraksi ciri statistik ordo pertama belum cukup mengenali perbedaan antar citra. Pada umumnya ekstraksi ciri statistik ordo dua biasa disebut dengan gray level co-ocurrent matrix (GLCM) seperti penelitian yang dilakukan Prabhu dan Kumar (2014) dan Yonghua dan Cong (2015) yang dihitung dari matriks kookurensi rata-rata menggunakan persamaan berikut : energy= ∑i ∑j{p(i, j)}2
(7)
CON = ∑|i−j|(i − j)2 [∑i ∑j{p(i, j)}]
(8)
COR =
∑i ∑j(i,j).p(i,j)−μx μy σx σy 1
homogenity = ∑i ∑j 1+(i−j)2 p(i, j)
(9) (10)
Dimana : Energy (Angular Second Moment) : ukuran sifat homogenitas citra p(i,j) : nilai pixel pada baris I dan kolom J pada matriks kookurensi CON (contras) : ukuran penyebaran (momen inersia) elemen matriks citra COR (Correlation) : ukuran ketergantungan linear derajat keabuan citra µx dan µy : nilai standar deviasi pada elemen baris dan kolom pada matriks p(i,j). Homogenity (invers different moment) kehomogenan citra yang berderajat keabuan sejenis
Identifikasi ciri morfologi dilakukan berdasarakan hasil pelabelan dan batas tepi sehingga didapatkan nilai area, perimeter, metric, dan eccentricity. Nilai area
12
digunakan untuk menduga berat dari masing-masing biji melalui hubungan korelasi antara luas area citra biji dan berat biji. Berdasarkan fitur area dan perimeter dapat juga dihitung nilai- nilai fitur morfologi lainnya menggunakan persamaan berikut (Mirnasari dan Adi 2013): 𝑀𝑒𝑡𝑟𝑖𝑐 =
4𝜋 × 𝑎𝑟𝑒𝑎 (𝑝𝑒𝑟𝑖𝑚𝑒𝑡𝑒𝑟)2 𝑏 2
𝑒 = √1 − (𝑎)
(11) (12)
Dimana : Metric: besaran yang menunjukkan tingkat kebulatan bentuk suatu objek (nilai : 0 hingga 1) e (Eccentricity) : perbandingan panjang antara major dan minor axis a : panjang dari major axis b : panjang dari minor axis 7. Analisis KNN Klasifikasi prediksi mutu inti sawit dilakukan menggunakan KNN. Kombinasi dari data ciri statistik dan morfologi untuk mendapatkan ketepatan prediksi yang terbaik dengan mengacu pada jumlah tetangga terdekat (k). klasifikasi dilakukan terhadap dua parameter nilai akhir yang diinginkan, yaitu persentase berdasarkan jumlah butir dan persentase berdasarkan massa (gram). Konsep dasar Algoritma KNN akan mengklasifikasikan data masukan ke dalam kelas dengan jumlah anggota terbanyak. Pada metode KNN, penggunaan nilai k yang besar memiliki keuntungan, yaitu menyediakan informasi probabilistik. Pengembangan Perangkat Real Time Real time image processing pada prinsipnya adalah menggabungkan antara perangkat kamera web (web-cam), komputer dan perangkat pengambilan citra, sehingga objek ditangkap oleh kamera, kemudian ditampilkan dalam layar komputer, setelah itu gambar dapat di-capture dan langsung diolah citranya. Pada penelitian ini kamera yang digunakan merupakan kamera handphone Samsung Galaxy Mega 6.3 dengan spesifikasi kamera 8 MP. Hubungan kamera dan komputer dilakukan dengan bantuan aplikasi droidcam client V.6 yang dapat di download pada playstore. Aplikasi tersebut akan merubah fungsi kamera handphone menjadi web-cam dengan prosedur sebagai berikut : 1) Download dan install aplikasi droidcam client V.6 pada personal computer dan handphone 2) Sambungkan handphone dan personal computer menggunakan kabel USB 3) Dalam software matlab, proses akuisisi citra digital menggunakan webcam dapat dilakukan dengan terlebih dahulu menginstal driver image acquisition support packages for hadware adaptors 4) Setelah driver tersebut berhasil di-install, maka Software Matlab telah support untuk melakukan akuisisi citra.
13
Penyiapan Sampel Inti Sawit Pengambilan sampel inti sawit dilakukan secara acak sebanyak 5-10 kg dari tumpukan inti sawit pada pabrik pengolahan kelapa sawit. Sampel yang diperolah dibagi menjadi dua, selanjutnya dikemas ke dalam kantong kertas A dan kantong kertas B untuk menghindari perubahan sifat fisik dan kimia pada saat pengujian di laboratorium dan pengambilan citra. Sampel dari kelompok A dibawa ke laboratorium pengujian untuk analisis kadar air dan kadar minyak sedangkan sampel dari kelompok B dibagi menjadi dua bagian untuk data latih dan data uji. Selanjutnya dilakukan pemisahan biji utuh, biji pecah, dan kotoran dari setiap bagian tersebut seperti dapat dilihat pada Gambar 4.
(a) (b) (c) Gambar 4 Klasifikasi inti sawit ; (a) utuh, (b) pecah, (c) kotoran Setiap kelompok sampel yang telah dipisahkan ditimbang menggunakan timbangan digital dengan ketelitian 0.01 gram dan dilakukan pengambilan citra. Pelatihan Sistem Real Time Image Processing Menggunakan KNN Pelatihan sistem bertujuan untuk memberikan pembelajaran sistem dalam mengenali ciri fisik inti sawit utuh, pecah dan kotoran. Data latih digunakan sebanyak 2426 biji (1217 gram) untuk kategori utuh 1070 biji, kategori pecah 805 biji, dan 551 kategori kotoran. Citra inti sawit diambil dengan menyusun tiap biji utuh, pecah atau kotoran pada alat pengambilan citra. Citra yang diambil selanjutnya dianalisis sehingga menghasilkan data ciri citra latih sedangkan pada data uji akan menghasilkan data ciri citra uji. Hasil data latih dan data uji selanjutnya akan diklasifikasi dengan KNN dengan mencari jarak terdekat antara data yang akan dievaluasi dengan k tetangga (neighbour) terdekatnya dalam data pelatihan. Selanjutnya untuk mengetahui kinerja KNN dilakukan analisis dan evaluasi sehingga diketahui akurasi sistem. Diagram alir analisis citra dapat dilihat pada Gambar 5.
14
Gambar 5 Diagram alir analisis citra Pengujian Sistem Real Time Image Processing Menggunakan KNN Pengujian sistem bertujuan utuk mengetahui kemampuan sistem dalam memprediksi ketepatan pendugaan inti sawit berdasarkan kategori utuh, pecah, atau kotoran. Pengujian dilakukan terhadap dua parameter nilai akhir yang diinginkan, yaitu persentase berdasarkan jumlah butir dan persentase berdasarkan massa (gram). Sampel yang digunakan sebagai data uji berbeda dengan citra inti sawit yang digunakan sebagai data latih. Total sampel yang digunakan untuk data latih adalah 2426 butir, yang terdiri dari 1070 butir kategori utuh, 805 butir kategori pecah, dan 551 kategori kotoran. Pengujian sistem dilakukan melalui dua tahap pengujian yaitu pengujian 1 dengan menyusun tiap kategori inti sawit utuh,
15
pecah, atau kotoran pada alat pengambilan citra dan pengujian 2 dengan menebar campuran inti sawit utuh, pecah, dan kotoran pada alat pengambilan citra, selanjutnya inti sawit utuh, pecah, dan kotoran dipisahkan secara manual dan ditimbang. Jumlah sampel pada pengujian 1 terdiri atas inti sawit utuh 441 butir dengan berat 317 gram, pecah 327 butir dengan berat 160.9 gram dan kotoran 273 butir dengan berat 146.3 gram. Sedangkan total berat campuran inti sawit pada pengujian 2 adalah 90 gram. Diagram alir proses klasifikasi kategori inti sawit dapat dilihat pada Gambar 7. Proses pengambilan citra sampai dengan diperoleh hasil klasifikasi dilakukan melalui beberapa tahap sebagai berikut : 1) Menyiapkan inti sawit dengan berat ± 100 gram 2) Menebar dan meratakan inti sawit diatas tray pada meja pengambilan citra agar terpisah satu sama lain (Lampiran 3) 3) Mengangkat tray dari meja pengambilan citra 4) Menekan menu Using Cam, selanjutnya akan muncul figure window usecam (Gambar 6). Setelah muncul tampilan layar pengambilan citra, pilih sumber kamera, dan kemudian tekan preview untuk melihat citra yang ditangkap oleh kamera. Terakhir pilih menu ambil gambar, sehingga tampilan citra akan muncul pada window pengujian.
Gambar 6 Tampilan figure window Usecam 5) Pilih menu Hitung untuk melakukan proses pengolahan citra. Hasil pengolahan citra yang diperoleh yaitu berupa nilai-nilai parameter ekstraksi ciri statistik dan morfologi yang ditunjukkan pada window pengujian (Lampiran 4) 6) Pilih menu Klasifikasi untuk mendapatkan hasil klasifikasi program yang diolah menggunakan KNN. Pada tampilan window pengujian menunjukkan hasil klasifikasi berupa jumlah butir dan jumlah massa (gram) pada masingmasing kategori. Setelah menekan tombol klasifikasi juga secara otomatis akan muncul window baru yang menampilkan citra hasil klasifikasi berupa persentase massa masing-masing kategori (Lampiran 7). Penampilan inti sawit berupa kategori biji utuh, pecah, dan kotoran juga ditampilkan dengan ditandai dengan garis tepi berwarna. Penanda kategori pada inti sawit utuh
16
berupa garis tepi berwarna merah, inti sawit pecah berwarna hijau, dan kotoran berwarna kuning.
Gambar 7 Diagram alir proses klasifikasi kategori inti sawit secara real time Pengujian ketepatan pendugaan inti sawit pada pengujian sistem dilakukan dengan menggunakan metode K-Nearest Neighbor (KNN). Konsep dasar dari KNN adalah mencari jarak terdekat antara data yang akan dievaluasi dengan k tetangga terdekatnya dalam data pelatihan. Pada metode KNN, penggunaaan nilai k yang besar memiliki keuntungan, yaitu menyediakan informasi probabilistik. Pada penelitian ini fungsi yang digunakan untuk menghitung jarak antara x dan y digunakan fungsi jarak euclidean, karena fungsinya sederhana, cukup dengan menghitung kuadrat jarak dari dua data yang akan dihitung jaraknya menggunakan persamaan 1. Dimana d (x, y) adalah jarak antara dua data, n adalah jumlah parameter. Jarak euclidean yang semakin kecil menunjukkan kesamaan yang lebih tinggi. Jarak 0 berarti bahwa data sama (Trstenjak et al.2014). Analisis dan Evaluasi Kinerja dari nilai KNN dapat diperoleh dengan melihat berapa banyak data pada suatu kelas yang diklasifikasi benar, dengan persamaan sebagai berikut: 𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =
𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖 𝑏𝑒𝑛𝑎𝑟 𝑑𝑖𝑘𝑙𝑎𝑠𝑖𝑓𝑖𝑘𝑎𝑠𝑖𝑘𝑎𝑛 𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖
× 100%
(14)
Evaluasi juga dilakukan dengan melihat fitur yang memiliki pengaruh cukup baik dalam membedakan kelas, untuk menentukan fitur yang paling relevan untuk membedakan masing-masing kategori digunakan uji statistik ANOVA. Menurut Wagner et al.(2005), analisis variance (ANOVA) adalah metode statistik yang
17
digunakan untuk memutuskan apakah fitur menunjukkan perbedaan yang signifikan antara dua atau lebih kelas. Kinerja Sistem Klasifikasi Inti Sawit secara Real Time Pengujian kinerja dilakukan dengan membandingkan waktu yang dibutuhkan untuk klasifikasi inti sawit secara manual dan dengan menggunakan sistem real time.
4 HASIL DAN PEMBAHASAN Perangkat Pengambilan Citra Inti Sawit Perangkat pengambilan citra hasil rancangan terdiri atas laptop, kamera handphone 8 MP, dudukan kamera, lampu neon, dudukan lampu neon, rangka, tray berlubang untuk pemisahan inti sawit, dan alat perata untuk memasukkan inti sawit ke dalam tray berlubang. Perangkat pengambilan citra inti sawit hasil rancangan secara keseluruhan dapat dilihat pada Gambar 8. Sedangkan detail perangkat pengambilan citra dapat dilihat pada Gambar 9. Berdasarkan hasil pengujian dengan menggunakan daya lampu 8 watt dengan intensitas 242 lux memberikan kualitas citra yang lebih baik dibandingkan dengan 5 dan 15 watt. Pada pengujian pemilihan warna latar alat pengambilan citra, warna latar yang dipilih adalah warna biru dengan nilai derajat kebiruan 107-255 karena memberikan nilai kontras terhadap warna inti sawit sehingga menghasilkan citra yang lebih baik dibandingkan dengan warna lainnya. Sedangkan pada pengujian penentuan jarak optimum antara lensa kamera dan objek, jarak optimum terbaik antara lensa kamera dan objek adalah 33 cm dengan luasan objek 300×250 cm pada berat objek kurang lebih 100 gram. Inti sawit yang terdiri atas biji utuh, pecah dan kotoran ditebar diatas tray berlubang kemudian diratakan menggunakan alat perata sehingga masuk ke dalam lubang. Tray berlubang kemudian diangkat dan citra inti sawit akan tersusun diatas meja dengan latar berwarna biru.
18
Kamera HP 8 MP Lampu neon 10 Watt
Lampu neon 10 Watt 8 Watt
Rangka alat
Tampilan citra pada laptop
Laptop
Meja pengambilan citra
Kabel USB
Gambar 8 Perangkat pengambilan citra
(a) (b) Gambar 9 Detail perangkat pengambilan citra, (a) tampak atas, (b) detail tray berlubang Sistem Akuisisi Citra Sistem klasifikasi citra inti sawit terdiri atas tiga blok utama, yaitu: preprocessing, ekstraksi ciri, dan klasifikasi. Sampel akan diolah oleh sistem klasifikasi dan hasilnya berupa klasifikasi inti sawit. Sistem dirancang menggunakan tampilan Graphical User Interface sehingga tampil lebih menarik dan mudah dioperasikan. Tampilan antar muka sistem pengambilan citra inti sawit seperti ditunjukkan pada Gambar 10.
19
Gambar 10 Tampilan antar muka sistem pengambilan citra inti sawit Inti sawit pada alat pengambilan citra ditampilkan secara real time pada laptop melalui aplikasi droidcam dan koneksi kabel USB. Citra inti sawit dapat diambil melalui menu browse jika gambar diambil melalui file dari directory yang telah disimpan atau menu using cam jika gambar diambil secara real time, kemudian dihitung parameter ciri dan diklasifikasi berdasarkan jenis biji yang ditampilkan seperti pada Gambar 11. Proses klasifikasi yang dihasilkan ditunjukan dalam jumlah butir dan dalam satuan massa (gram).
Gambar 11 Tampilan program proses perhitungan parameter ciri dan diklasifikasi berdasarkan jenis dan jumlah biji inti sawit Tampilan proses klasifikasi biji utuh dalam persentase massa berdasarkan pendugaan program dapat dilihat pada Gambar 12 yang ditunjukkan melalui perbedaan warna. Warna hijau menunjukkan pendugaan sebagai biji utuh, warna merah menunjukkan pendugaan sebagai biji pecah dan warna kuning menunjukkan pendugaan sebagai kotoran.
20
Gambar 12 Tampilan program proses klasifikasi berdasarkan jenis dan berat biji inti sawit Database pada sistem adalah ciri dari masing-masing kategori inti sawit pada citra latih yang disimpan dalam file *.mat. Melalui database ciri citra latih tersebut, maka digunakan untuk membandingkan ciri citra latih dengan ciri citra uji dalam klasifikasi. Karakteristik Citra Inti Sawit Penampakan dari inti sawit utuh, pecah dan kotoran dapat dibedakan berdasarkan bentuk dan karakteristik kekasaran permukaan sehingga identifikasi fisik inti sawit dilakukan menggunakan metode pengolahan citra digital melalui analisis tekstur dan morfologi. Karakteristik citra inti sawit pada setiap kategori ciri morfologi secara lengkap ditampilkan pada Gambar 13. Berdasarkan Gambar 13 terlihat bahwa parameter morfologi berada pada rentang yang bervariasi meskipun sebagian besar terlihat beririsan antara kategori utuh, pecah, dan kotoran. Begitu juga dengan parameter karakteristik ciri statistik. Pada Gambar 14 ditunjukkan nilai irisan distribusi penggolongan citra inti sawit berdasarkan parameter ciri statistik. Setiap variabel memberikan nilai pada rentang tertentu dan ketiga kategori beririsan pada rentang nilai yang sama. Semakin besar rentang nilai irisan dari suatu variabel maka akan semakin sulit menduga setiap kategori. Hal ini tentunya sangat dipengaruhi oleh bentuk dan warna dari masing-masing kategori.
5000,0
1,2
4000,0
1,0
Eccentricity
Area (pixel)
21
3000,0 2000,0 1000,0
0,6 0,4 0,2
0,0 -1000,0
0,8
Utuh
0,0
Pecah Kotoran
Utuh
(a)
Kotoran
Pecah
Kotoran
(b)
300
1,0
250
0,8
200 Metric
Perimeter (pixel)
Pecah
150 100
0,6 0,4 0,2
50 0
0,0 Utuh
Pecah
Kotoran
Utuh
(c) (d) Gambar 13 Sebaran nilai setiap kategori pada ciri morfologi (a) Area (b)Eccentricity (c) Perimeter (d) Metric
4,50 4,00 3,50 3,00 2,50 2,00 1,50 1,00 0,50 0,00
Grayscale
Red
Green
Blue
Gambar 14 Nilai irisan distribusi penggolongan citra inti sawit berdasarkan parameter ciri statistik Berdasarkan Gambar 14 terlihat bahwa setiap citra memiliki karakteristik yang dapat digunakan untuk menduga kategori inti sawit. Pada kelompok kategori inti sawit dengan nilai selisih irisan yang besar dapat menyebabkan kesalahan dalam pendugaan. Berdasarkan hasil analisis ternyata pada citra grayscale dan red lebih baik daripada citra green dan blue jika digunakan untuk menduga kategori inti sawit pada nilai parameter ciri mean, entropy, variance, contrast, dan
22
homogenity. Sedangkan pada citra blue lebih baik digunakan pada nilai parameter skewness, kurtosis, correlation, dan energy dibandingkan dengan citra lainnya. Hasil Pengujian Sistem Real Time Image Processing Menggunakan KNN
Akurasi (%)
Pada pengujian sistem, sampel yang digunakan sebagai data uji berbeda dengan citra inti sawit yang digunakan sebagai data latih. Pengujian sistem dilakukan melalui dua tahap pengujian yaitu pengujian 1 dengan menyusun tiap inti sawit utuh, pecah atau kotoran pada alat pengambilan citra, dan pengujian 2 dengan menebar campuran inti sawit utuh, pecah dan kotoran pada alat pengambilan citra selanjutnya inti sawit utuh, pecah, dan kotoran dipisahkan secara manual dan ditimbang. Hasil pengujian 1 dengan parameter nilai k yang berbeda dapat dilihat pada Gambar 15. Akurasi pendugaan tertinggi didapatkan saat nilai k=27, yaitu sebesar 66.65%, sedangkan akurasi pendugaan masing-masing kategori dapat dilihat pada Tabel 2. 67,00 66,00 65,00 64,00 63,00 62,00 61,00 60,00 59,00 1
5
9
13
17
21
25
29
33
37
41
45
49
53
57
61
k
Gambar 15 Akurasi pendugaan kategori inti sawit dengan berbagai nilai k Pada Tabel 2 terlihat bahwa pada klasifikasi dengan nilai k=27 sistem mampu mendeteksi kategori utuh dengan akurasi rata-rata 82.7%, pecah sebesar 69.57% dan kotoran sebesar 37%. Pada pendugaan kategori kotoran memiliki akurasi yang paling kecil, hal ini dapat disebabkan karena kotoran memiliki beberapa nilai yang memiliki kesamaan dengan parameter yang dimiliki kategori utuh dan pecah. Analisis Variance (ANOVA) adalah metode statistik yang digunakan untuk memutuskan apakah fitur menunjukkan perbedaan yang signifikan antara dua atau lebih kelas. Pada Lampiran 2 penambahan correlation pada citra grayscale dan correlation pada citra red ternyata tidak memberikan pengaruh yang signifikan terhadap penentuan kategori inti sawit. Hal ini dilihat dari taraf signifikansi yang bernilai >0,05. Sedangkan untuk parameter lainnya memiliki taraf signifikansi <0,05, berarti parameter-parameter tersebut dapat memberikan pengaruh yang signifikan terhadap penentuan kategori inti sawit.
23
Tabel 2 Ketepatan pendugaan klasifikasi dengan nilai k = 27 Kategori
Ulangan
Total uji
Terbaca benar
1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4 5 6
150 150 142 142 149 149 103 103 120 120 104 104 101 101 87 87 85 85
109 130 113 112 130 136 71 74 88 86 68 68 31 31 39 36 37 28
utuh
pecah
kotoran
Terbaca salah Utuh
Pecah
Kotoran
25 18 18 21 13 9
16 2 11 9 6 4 8 6 5 6 4 12
24 23 27 27 32 24 60 55 43 36 35 50
10 15 5 15 13 7
Akurasi (%) 72.67 86.67 79.58 78.87 87.25 91.28 68.93 71.84 73.33 71.67 65.38 65.38 30.69 30.69 44.83 41.38 43.53 32.94
Rata-rata akurasi (%) 82.77
69.57
37.00
Massa (gram)
Menurut SNI 01-0002–1987 persentase nilai kategori inti sawit dihitung dari berat total, untuk itu perlu dilakukan konversi nilai jumlah butir menjadi berat (gram). Kurva regresi hubungan antara massa dan luas pixel inti sawit pada masing-masing kategori dapat dilihat pada Gambar 16, 17, dan 18. Persamaan hasil regresi hubungan antara massa dan luas tersebut kemudian dimasukkan kedalam program untuk menduga persentase berat masing-masing kategori. 1,6 1,4 1,2 1 0,8 0,6 0,4 0,2 0
y = 0,0026x1,0107 R² = 0,7001
0
100
200
300
400
500
600
Luas (pixel)
Gambar 16 Kurva regresi hubungan antara berat dan luas untuk kategori biji utuh
24
1,4
Massa(gram)
1,2 1
y = 0,0007x1,1707 R² = 0,5988
0,8 0,6 0,4 0,2 0 0
100
200
300
400
500
Luas(pixel)
Gambar 17 Kurva regresi hubungan antara berat dan luas untuk kategori biji pecah 2,5 y = 0,0002x1,3247 R² = 0,6418
Massa(gram)
2 1,5 1 0,5 0 0
200
400
600
800
1000
1200
Luas(pixel)
Gambar 18 Kurva regresi hubungan antara berat dan luas untuk kategori kotoran Pengujian program untuk menduga persentase berat masing-masing kategori ditampilkan pada Tabel 3. Pada proses klasifikasi kategori inti sawit masih terdapat kesalahan dalam menterjemahkan inti sawit yang diambil citranya sebagai data uji. Berdasarkan hasil pendugaan terlihat bahwa akurasi masingmasing kategori berada pada rentang yang bervariasi. Akurasi tertinggi terdapat pada kategori utuh yang mencapai lebih dari 70%. Jika dilihat dari regresi hubungan antara luas dan berat inti sawit, masing-masing kategori memiliki nilai R2 tidak lebih dari 80%. Hal ini dapat disebabkan karena bentuk dari inti sawit yang berupa bentuk tiga dimensi, sehingga luas area permukaan tergantung pada posisi inti sawit diletakkan. Hasil pengujian berdasarkan massa (gram) menunjukkan akurasi terkecil terdapat pada kategori kotoran, yaitu sebesar 40.55%. Akurasi yang kecil pada pendugaan kotoran, disebabkan karena kotoran meliputi serpihan cangkang besar dan kecil. Pada serpihan cangkang besar terdapat cekungan besar tempat dimana posisi inti sawit berada. Beberapa contoh serpihan cangkang ditampilkan pada Gambar 19. Cekungan besar ini dapat menjadi penyebab terjadinya kesalahan dalam menduga massa inti sawit kotoran.
25
Tabel 3 Hasil pengujian massa masing-masing kategori Kategori Ulangan utuh
pecah
kotoran
1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4 5 6
Total massa sebenarnya (gram) 123.3 123.3 101.1 101.1 93.4 93.4 53.1 53.1 61.5 61.5 45.3 45.3 69.1 69.1 32.4 32.4 44.8 44.8
Pembacaan program (gram) Utuh 82.01 98.93 76.62 74.53 79.44 84.27 16.56 15.58 18.37 18.67 19.32 14.91 48.13 47.22 28.83 23.46 29.52 43.37
Pecah 13.95 9.32 9.06 11.43 5.82 4.48 32.02 31.80 37.38 36.69 24.74 23.50 9.18 7.80 3.29 7.55 8.92 3.22
Kotoran 8.31 1.11 4.31 3.33 2.28 0.81 2.47 2.03 1.75 1.78 1.35 3.39 22.87 21.38 18.05 17.65 21.51 17.20
Akurasi (%) 66.51 80.24 75.78 73.72 85.05 90.22 60.30 59.89 60.78 59.66 54.60 51.88 33.10 30.93 55.71 54.47 48.01 38.39
Rata-rata akurasi (%)
78.00
58.20
40.55
Gambar 19 Contoh penampakan cangkang inti sawit Pengujian sistem pengambilan citra inti sawit dilakukan dengan cara menebar secara langsung inti sawit diatas tray berlubang kemudian diratakan dengan alat perata. Selanjutnya dicatat waktu proses penebaran sampai pengambilan citra inti sawit. Hasil citra inti sawit dianalisis menggunakan perangkat lunak pengolahan citra secara real time. Pengujian dilakukan sebanyak lima kali pengulangan. Jumlah biji yang digunakan dalam pengujian ini adalah 136 butir yang terdiri dari 67 butir utuh, 62 butir pecah, dan 7 kotoran, dengan hasil pengujian dapat dilihat pada Tabel 5. Apabila dihitung dalam jumlah massa, total massa dalam pengujian ini adalah 90 gram. Jumlah masing-masing kategori yang digunakan dalam penelitian adalah 53.22 gram biji utuh, 32.12 gram biji pecah, dan 4.66 gram kotoran. Hasil pengujian massa inti sawit dengan cara ditebar dapat dilihat pada Tabel 4 dan Tabel 5.
26
Tabel 4 Hasil pengujian dengan cara menebar dalam jumlah butir Total Total Akurasi Pembacaan program (butir) Ulangan Uji benar (%) (butir) Utuh (butir) Pecah Kotoran 1 136 40 50 41 97 71.32 2 136 38 61 32 106 77.94 3 136 49 55 31 111 81.62 4 136 45 51 39 103 75.74 5 136 46 47 43 100 73.53 Rata-rata akurasi (%) 76.03 Tabel 5 Hasil pengujian dengan cara menebar dalam jumlah massa Pembacaan program Total Total Akurasi (gram) Ulangan Uji benar (%) (gram) Utuh Pecah Kotoran (gram) 1 28.19 26.54 18.72 59.39 66.06 90 2 31.03 28.57 14.03 64.26 71.48 90 3 36.94 27.53 10.97 69.13 76.9 90 4 30.11 30.79 15.56 65.56 72.93 90 5 33.41 24.13 16.62 62.2 69.19 90 Rata-rata akurasi (%) 71.31 Berdasarkan Tabel 4 dan 5 terlihat bahwa rata-rata akurasi pendugaan adalah 76.03% dan 71.31%. Hasil lebih lengkap ditampilkan pada Lampiran 3. Rendahnya akurasi prediksi diduga karena masih banyak terdapat biji yg menempel, sehingga perangkat lunak pengolahan citra mendeskripsikan biji yang menempel tersebut sebagai kotoran. Pada Tabel 6 menunjukkan hasil kinerja sistem dengan akurasi pembacaan citra sebesar 65.13%. Luas area pengambilan citra adalah 300×250 mm, dengan total maksimum berat inti sawit yang dapat diambil citranya dalam sekali proses adalah 100 gram. Pada percobaan Tabel 6 menggunakan 77.84 gram butir utuh, 17.79 gram butir pecah, dan 4.34 gram kotoran. Hasil lebih lengkap ditampilkan pada Lampiran 4. Tingginya akurasi pada kategori pecah dan kotoran terjadi akibat masih adanya kesalahan yang terjadi pada pembacaan kategori kotoran, selain itu tray berlubang belum cukup mampu memisahkan antar biji, beberapa biji yang menempel menyebabkan biji lebih banyak dikategorikan sebagai kotoran. Waktu yang dibutuhkan operator untuk melakukan identifikasi secara manual adalah 7 menit setiap 300 gram inti sawit, hal ini berarti kapasitas operator untuk melakukan penentuan mutu secara manual adalah 0.71 gram/detik. Tabel 6 menunjukkan total waktu yang dibutuhkan dalam sekali proses pengoperasian sistem secara real time, kapasitas alat adalah 0.64 gram/detik. Waktu yang dibutuhkan untuk setiap gramnya adalah 1.57 detik, sedangkan waktu yang dibutuhkan oleh operator secara manual yaitu 1.4 detik/gram. Secara keseluruhan sistem bekerja 0.17 detik lebih lama untuk setiap gramnya daripada proses secara manual.
27
Pada Tabel 7 ditunjukan waktu yang dibutuhkan pada prosese menebar dan meratakan, proses klasifikasi program, dan proses membersihkan biji dari meja pengambilan citra. Kekurangan dari sistem yang dibangun adalah pada pengujian dengan menggunakan tray pemisah masih membutuhkan waktu yang cukup lama untuk meratakan inti sawit agar tidak bersentuhan satu sama lain. Hal ini terlihat pada rata-rata waktu yang dibutuhkan pada proses menebar dan meratakan adalah 110.50 detik, sehingga jika dibandingkan dengan pemisahan secara manual di pabrik kelapa sawit, alat ini belum cukup efisien dalam waktu klasifikasi secara keseluruhan. Tabel 6 Total waktu yang dibutuhkan dalam pengoperasian alat Ulangan
Total Uji (gram)
Pembacaan program (gram)
Utuh 1 45.75 100 2 48.38 100 3 43.73 100 4 44.51 100 5 32.46 100 Rata-rata akurasi (%)
Pecah 19.11 24.42 18.46 22.82 20.64
Kotoran 18.39 13.24 20.23 14.88 24.11
Total benar (gram) 67.91 70.54 65.89 66.67 54.62
Akurasi
(%) 67.91 70.54 65.89 66.67 54.62 65.13
Waktu yang dibutuhka n (detik)
162.4 166.95 160.55 160.24 135.63
Tabel 7 Waktu yang dibutuhkan pada masing-masing proses Waktu yang dibutuhkan (detik) Total Total Akurasi Menebar Ulangan Uji benar Proses Membersihkan (%) dan (gram) (gram) klasifikasi meja meratakan 1 67.91 67.91 100 2 70.54 70.54 100 3 65.89 65.89 100 4 66.67 66.67 100 5 54.62 54.62 100 Rata-rata waktu yang dibutuhkan
118.87 122.66 106.92 117.63 86.44 110.50
25.61 25.87 39.68 23.64 30.87 29.13
17.92 18.42 13.95 18.97 18.32 17.52
5 SIMPULAN DAN SARAN Simpulan Dari penelitian ini dapat disimpulkan beberapa hal berikut : 1. Proses penggolongan inti sawit telah berhasil dilakukan dengan menggunakan nilai-nilai variabel penduga meliputi nilai rataan (mean), kelonjongan (skewness), kebedaan (variance), ketajaman tepi (kurtosis), entropi (entrophy), kontras (contrast), korelasi (corelation), energi (energy), dan kehomogenan (homogenity) pada citra grayscale, red, green dan blue, serta
28
2.
3.
4.
5.
parameter morfologi berupa luas, keliling, metric, dan eccentricity dengan KNN sebagai metode pengenalannya. Identifikasi fisik inti sawit menggunakan real time image processing dan KNN telah berhasil dilakukan dengan akurasi tertinggi saat nilai k=27. Akurasi dalam pendugaan kategori inti sawit dengan cara ditebar mencapai 76.03% pada pendugaan jumlah butir, dan 71.31% pada pendugaan jumlah massa. Waktu yang dibutuhkan pada proses klasifikasi inti sawit secara real time relatif lebih lama pada proses penebaran dan perataan biji yang membutuhkan waktu 110.5 detik, sedangkan pada proses klasifikasi hanya membutuhkan waktu 29.13 detik. Kesalahan pendugaan kategori inti sawit biasanya terjadi pada pendugaan kategori kotoran yang memiliki bentuk bervariasi dengan berat relatif lebih ringan. Tray pemisah inti sawit belum cukup mampu memisahkan antar biji inti sawit.
Saran 1. Perlu dilakukan kembali proses klasifikasi dengan menggunakan beberapa parameter yang memiliki pengaruh baik dalam pemisahan antar kategori inti sawit, yaitu luas, keliling, metric, eccentricity, mean, skewness, variance, kurtosis, entrophy, contrast, energy, dan homogenity pada citra grayscale, red, green dan blue, serta parameter corelation pada citra green dan blue. 2. Perlu dilakukan beberapa percobaan mengenai konversi kedalam satuan massa (gram), yang pertama dengan melakukan pengukuran massa yang dikonversi kedalam bentuk luas (pixel), dan kedua dengan melakukan pendugaan massa melalui massa jenis yang dihitung melalui volume benda putar.
29
DAFTAR PUSTAKA Ahmad U. 2013. Deteksi ujung biji ginko menggunakan pengolahan citra berbasis analisis morfologi. J Teknik Pertanian. 27(1):1-17. Arifin AD. 2012. Implementasi algoritma K-Nearest Neighbour yang berdasarkan one pass clustering untuk kategorisasi teks [Tesis]. Teknik Informatika. Institut Teknologi Sepuluh November. Surabaya. Akubuo CO and Eje BE. 2012. .Palm kernel and shell separator. J. Biosystems Engineering (2002). 81(2):193-199 [DSN] Dewan Standarisasi Nasional. 1987. Standar Nasional Indonesia (SNI) Inti Kelapa Sawit 0002:1987. Jakarta (ID): DSN. Dinar L, Suyantohadi A, Fallah, MAF. 2012. Pendugaan kelas mutu berdasarkan analisa warna dan bentuk biji pala (Myristica fragrans houtt) menggunakan teknologi pengolahan citra dan jaringan saraf tiruan. J Teknik Pertanian. 26(1):53-59. Hariadi P. 2010. Sepuluh karakter unggul minyak sawit [ulasan]. Info Sawit. 4(10):30-32. Makky M, Soni P. 2013. Development of an automatic grading machine for oil palm fresh fruits bunches (FFBs) based on machine vision. J Comput Electron Agr. 93(2013):129-139. Meelursarn A. 2006. Statistical evaluation of texture analysis from the biocrystallization method: effect of image parameters to differentiate samples from different farming systems [Disertasi]. Hesse (CN): University of Kassel. Mirnasari N, Adi K. 2013. Aplikasi metode otsu untuk identifikasi bakteri tuberkulosis secara otomatis. J Youngster Physic. 2(1):13-20. Mollazade K, Omid M, Arefi A. 2012. Comparing data mining classifiers for grading raisins based on visual features. J Comput Electron Agr. 84:124–13. Pahan I. 2008. Panduan lengkap kelapa sawit : menenjemen agribisnis dari hulu hingga hilir. Jakarta (ID) : Penebar Swadaya. Permadi Y, Murinto. 2015. Aplikasi pengolahan citra untuk identifikasi kematangan mentimun berdasarkan tekstur kulit buah menggunakan metode ekstraksi ciri statistik. J Informatika. 9(1):1028-1038. Prabhu J, Kumar J. (2014). Wavelet based content based image retrieval using color and texture feature extraction by gray level coocurence matrix and color coocurence matrix. J Comput Sci. 10(1):15-22. Qur'ania A, Wigena AH. Kustiyo A. 2012. Analisis tekstur citra anatomi stomata untuk klasifikasi freycinetia menggunakan K-Nearest Neighbor. Prosiding SNSMAIP III ; 28-31. Soedibyo DW, Ahmad U, Seminar KB, Subrata IDM. 2009. Pengembangan pengolahan citra untuk pemutuan kopi beras. J Agro-Tecno. 1(8):489-499. Soedibyo DW, Ahmad U, Seminar KB, Subrata IDM. 2010. Rancang bangun sistem sortasi cerdas berbasis pengolahan citra untuk kopi beras. J Teknik Pertanian. 24(2):67-74. Sofi’i I, Astika IW, Suroso. 2005. Penentuan jenis cacat biji kopi dengan pengolahan citra dan artificial neural network. J Teknik Pertanian. 19(2):99-108. Syafitri N. 2010. Perbandingan metode k-nearest neighbor (knn) dan metode nearest cluster classifier (ncc) dalam pengklasifikasian kualitas batik tulis. J Teknologi Informasi dan Pendidikan. 2(1):42-53.
30
Trstenjak B, Mikac S, Donko D. 2014. KNN with TF-IDF based framework for text categorization. In : International Symposium on Intelligent Manufacturing and Automation. 69:1356-1364. [USDA] United States Departement of Agriculture. 2014. Indonesia : Oilseeds and Products Annual. 1405:2014. US (ID): USDA. Wagner J, Kim J, Andre E. 2005. From physiological signals to emotions: implementing and comparing selected methods for feature extraction and classification. In IEEE International Conference on Multimedia and Exp, Amsterdam, The Netherland.
Wan YN. 2002. Kernel handling performance of an automatic grain quality inspection system. ASAE 45(2): 369–377. Transaction of the ASAE. USA. Weinberger K, Blitzer J, Saul K. 2006. Distance metric learning for large margin nearest neighbor classification. In: Proceeding of the Advances in Neural Information Processing Systems (NIPS) 1473–1480. USA. Yonghua X, Cong W. 2015. Study on the identification of the wood surface defects based on texture features. Optik-International Journal for Light and Electron Optics. 126(9):2231–2235. Zawbaa HM, Hazman M, Hassenian AE. 2014. Automatic fruit image recognition system based on shape and color features. In Proceeding of Second International Conference, AMLTA 2014, Cairo, Egypt.
31
LAMPIRAN
32
Lampiran 1 Cara uji mutu fisik inti kelapa sawit
Penentuan Persentase Kotoran Prinsip : Pemisahan kotoran yang terdapat dalam inti kelapa sawit dan penimbangan. Peralatan : Neraca kasar ; kapasitas 2000 grarn dan ketelitian 0.01 gram Wadah atau kaca arloji. Prosedur : 1. Timbang contoh uji inti kelapa sawit sebanyak 1 kg 2. Pisahkan kotoran yaitu semua bahan yang bukan inti kelapa sawit misalnya tempurung (cangkang), serabut, batu, dan lain-lain ke dalam wadah/kaca arloji yang telah diketahui bobotnya. 3. Timbang bobot kaca arloji yang berisi kotoran dengan ketelitian 0,1 gram. Cara Menyatakan Hasil : Kadar kotoran dinyatakan dalam presentase bobot per bobot dihitung sebagai berikut : M2 – M1/ M0 x 100 dimana: M0 = Bobot contoh uji (gram) Ml = Bobot kaca arloji kosong (gram) M2 = Bobot kaca arloji + kotoran (gram) Penentuan Persentase Inti Pecah Prinsip : Pemisahan inti pecah dan penimbangan. Peralatan : Neraca kasar ; kapasitas 2000 gram dan ketelitian 0,01 gram Wadah arau kaca arloji. Prosedur : 1. Timbang contoh uji inti kelapa sawit sebanyak 1 kg 2. Pisahkan inti pecah yaitu bagian inti sawit yang pecah kedalam wadah/kaca arloji yang telah diketahui bobotnya. 3. Timbang bobot kaca arloji yang berisi inti pecah dengan ketelitian 0,1 gram. Cara Menyatakan Hasil : Kadar inti precah dinyatakar dalam presentirse bobot per bobot dihitung sebagar ber.ikut : M2 – M1/ M0 x 100 dimana: M0 = Bobot contoh uji (gram) Ml = Bobot kaca arloji kosong (gram) M2 = Bobot kaca arloji + kororan (gram) Catatan : Penetuan kadar lnti pecah dilakukan bersama dengan penentuan kadar kotoran.
33
Penentuan Persentase Inti Berubah Warna Prinsip : Pengamatan secara visual warna inti yang sudah dibelah yaitu yang berwarna coklat tua dan coklat muda. Peralatan : Pisau (alat pembelah) Prosedur : 1. Ambil contoh uji inti kelapa sawit utuh sebanyak 100 butir secara acak. Kemudian belah satu persatu contoh uji tersebut menjadi 2 (dua) bagian dengan pisau atau alat pembelah. 2. Amatilah adanya warna inti yang coklat tua atau coklat muda dari setiap dan pisahkan sebagai inti yang berubah warna Cara Menyatakan Hasil : Kadar inti berubah warna dinyatakan dalam presentase jumlah inti yang berubah per total jumlah dihitung sebagai berikur : M1 /M0 x 100 dimana: M0 = Jumlah contoh uji Ml = Jurnlah inti kelapa coklat tua atau coklat muda dari setiap dan pisahkan sebagai inti yang berubah (gram; sawit yang berubah warna
34
Lampiran 2 Hasil uji statistik ANOVA Citra Grayscale
Parameter Contrash Between Groups Within Groups Total Correlation
Energy
Homogeinity
Mean
Entropy
Variance
Skewness
Kurtosis
Area Morfologi
Between Groups Within Groups Total Between Groups Within Groups Total Between Groups Within Groups Total Between Groups Within Groups Total Between Groups Within Groups Total Between Groups Within Groups Total Between Groups Within Groups Total Between Groups Within Groups Total Between Groups Within Groups Total
Sum of Squares
df
Mean Square
F
Sig.
12.57
2.00
6.29
581.22
0.00
26.21
2.423.00
0.01
38.78
2.425.00
0.07
2.00
0.03
2.74
0.06
29.06
2.423.00
0.01
29.13
2.425.00
8.65
2.00
4.33
335.61
0.00
31.23
2.423.00
0.01
39.88
2.425.00
1.69
2.00
0.84
805.65
0.00
2.54
2.423.00
0.00
4.22
2.425.00
59.606.76
2.00
29.803.38
450.04
0.00
160.459.49
2.423.00
66.22
220.066.25
2.425.00
487.00
2.00
243.50
776.70
0.00
759.63
2.423.00
0.31
1.246.63
2.425.00
12.739.282.17
2.00
6.369.641.08
114.15
0.00
135.204.050.12
2.423.00
55.800.27
147.943.332.29
2.425.00
9.97
2.00
4.98
29.77
0.00
405.70
2.423.00
0.17
415.67
2.425.00
830.74
2.00
415.37
325.41
0.00
3.092.88
2.423.00
1.28
3.923.62
2.425.00
5.147.068.90
2.00
2.573.534.45
267.42
0.00
23.318.183.33
2.423.00
9.623.68
28.465.252.24
2.425.00
35
Citra
Parameter Eccentricity Between Groups Within Groups Total Perimeter
Metric
Mean Red
Entropy
Variance
Skewness
Kurtosis
Mean Green
Entropy
Variance
Between Groups Within Groups Total Between Groups Within Groups Total Between Groups Within Groups Total Between Groups Within Groups Total Between Groups Within Groups Total Between Groups Within Groups Total Between Groups Within Groups Total Between Groups Within Groups Total Between Groups Within Groups Total Between Groups
Sum of Squares
df
Mean Square
F
Sig.
3.35
2.00
1.67
80.63
0.00
50.27
2.423.00
0.02
53.62
2.425.00
87.464.68
2.00
43.732.34
311.60
0.00
340.065.54
2.423.00
140.35
427.530.22
2.425.00
3.81
2.00
1.91
550.48
0.00
8.40
2.423.00
0.00
12.21
2.425.00
59.606.76
2.00
29.803.38
450.04
0.00
160.459.49
2.423.00
66.22
220.066.25
2.425.00
487.00
2.00
243.50
776.70
0.00
759.63
2.423.00
0.31
1.246.63
2.425.00
12.739.282.17
2.00
6.369.641.08
114.15
0.00
135.204.050.12
2.423.00
55.800.27
147.943.332.29
2.425.00
9.97
2.00
4.98
29.77
0.00
405.70
2.423.00
0.17
415.67
2.425.00
830.74
2.00
415.37
325.41
0.00
3.092.88
2.423.00
1.28
3.923.62
2.425.00
69.302.78
2.00
34.651.39
311.81
0.00
269.269.99
2.423.00
111.13
338.572.77
2.425.00
129.77
2.00
64.89
558.73
0.00
281.39
2.423.00
0.12
411.16
2.425.00
1.255.342.488.53
2.00
1.103.67
0.00
627.671.244.26
36
Citra
Parameter Within Groups Total Skewness
Kurtosis
Mean Blue
Entropy
Variance
Skewness
Kurtosis
Contrash Red
Correlation
Energy
Between Groups Within Groups Total Between Groups Within Groups Total Between Groups Within Groups Total Between Groups Within Groups Total Between Groups Within Groups Total Between Groups Within Groups Total Between Groups Within Groups Total Between Groups Within Groups Total Between Groups Within Groups Total Between Groups
Sum of Squares
df
Mean Square
1.377.992.075.42
2.423.00
568.713.20
2.633.334.563.95
2.425.00
22.54
2.00
11.27
88.72
2.423.00
0.04
111.25
2.425.00
55.71
2.00
27.86
165.74
2.423.00
0.07
221.46
2.425.00
6.333.69
2.00
3.166.84
214.139.11
2.423.00
88.38
220.472.80
2.425.00
51.16
2.00
25.58
323.12
2.423.00
0.13
374.27
2.425.00
330.567.948.42
2.00
165.283.974.21
1.352.617.866.49
2.423.00
558.240.97
1.683.185.814.91
2.425.00
7.53
2.00
3.76
63.71
2.423.00
0.03
71.24
2.425.00
4.98
2.00
2.49
40.07
2.423.00
0.02
45.04
2.425.00
12.57
2.00
6.29
26.21
2.423.00
0.01
38.78
2.425.00
0.07
2.00
0.03
29.06
2.423.00
0.01
29.13
2.425.00
8.65
2.00
4.33
F
Sig.
307.79
0.00
407.23
0.00
35.83
0.00
191.80
0.00
296.08
0.00
143.13
0.00
150.46
0.00
581.22
0.00
2.74
0.06
335.61
0.00
37
Citra
Parameter Within Groups Total Homogeinity
Contrash Green
Correlation
Energy
Homogeinity
Contrash Blue
Correlation
Energy
Homogeinity
Between Groups Within Groups Total Between Groups Within Groups Total Between Groups Within Groups Total Between Groups Within Groups Total Between Groups Within Groups Total Between Groups Within Groups Total Between Groups Within Groups Total Between Groups Within Groups Total Between Groups Within Groups Total
Sum of Squares
df
Mean Square
31.23
2.423.00
0.01
39.88
2.425.00
1.69
2.00
0.84
2.54
2.423.00
0.00
4.22
2.425.00
13.99
2.00
6.99
93.30
2.423.00
0.04
107.29
2.425.00
0.88
2.00
0.44
2.32
2.423.00
0.00
3.20
2.425.00
2.44
2.00
1.22
4.08
2.423.00
0.00
6.52
2.425.00
0.86
2.00
0.43
1.71
2.423.00
0.00
2.58
2.425.00
16.90
2.00
8.45
154.62
2.423.00
0.06
171.52
2.425.00
0.07
2.00
0.03
0.97
2.423.00
0.00
1.04
2.425.00
0.59
2.00
0.29
2.99
2.423.00
0.00
3.58
2.425.00
0.24
2.00
0.12
1.51
2.423.00
0.00
1.75
2.425.00
F
Sig.
805.65
0.00
181.65
0.00
459.88
0.00
725.79
0.00
608.65
0.00
132.40
0.00
86.21
0.00
237.64
0.00
195.22
0.00
b. Hasil pengujian masing-masing kategori dengan cara menebar dalam jumlah massa Kategori Total Utuh Pecah Ulangan Uji Akurasi Akurasi (gram) Program Real (%) Program Real (%) Program 1 28.19 26.54 18.72 90 53.12 53.07 32.12 82.63 2 31.03 28.57 14.03 90 53.12 58.41 32.12 88.95 3 36.94 27.53 10.97 90 53.12 69.54 32.12 85.71 4 30.11 30.79 15.56 90 53.12 56.68 32.12 95.86 5 33.41 24.13 16.62 90 53.12 62.90 32.12 75.12 Rata-rata akurasi (%) 60.12 85.65
Real 4.66 4.66 4.66 4.66 4.66
Kotoran Akurasi (%) 100 100 100 100 100 100
a. Hasil pengujian masing-masing kategori dengan cara menebar dalam jumlah butir Kategori Total Utuh Pecah Kotoran Ulangan Uji Akurasi Akurasi Akurasi (butir) Program Real (%) Program Real (%) Program Real (%) 136 40 67 59.70 50 62 80.65 41 7 100 1 136 38 67 56.72 61 62 98.39 32 7 100 2 136 49 67 73.13 55 62 88.71 31 7 100 3 136 45 67 67.16 51 62 82.26 39 7 100 4 136 46 67 68.66 47 62 75.81 43 7 100 5 Rata-rata akurasi (%) 65.07 85.16 100
Lampiran 3 Hasil pengujian masing-masing kategori dengan cara menebar
66.06 71.48 76.9 72.93 69.19 71.31
Total akurasi (%)
71.32 77.94 81.62 75.74 73.53 76.03
Total akurasi (%)
38
Total Ulangan Uji (gram) Program 1 45,75 100 2 48,38 100 3 43,73 100 4 44,51 100 5 32,46 100 Rata-rata akurasi (%) Utuh Real Akurasi (%) 77,84 58,77 77,84 62,15 77,84 56,18 77,84 57,18 77,84 41,70 55,20
Kategori Pecah Program Real Akurasi (%) 19,11 17,79 100 24,42 17,79 100 18,46 17,79 100 22,82 17,79 100 20,64 17,79 100 100 Program 18,39 13,24 20,23 14,88 24,11
Kotoran Real Akurasi (%) 4,37 100 4,37 100 4,37 100 4,37 100 4,37 100 100
Lampiran 4 Hasil pengujian masing-masing kategori dengan cara menebar dengan kapasitas maksimal (100 gram) Total akurasi (%) 67,91 70,54 65,89 66,67 54,62 65,13
39
Lampiran 5 Proses penebaran inti sawit diatas tray
40
Lampiran 6 Contoh tampilan program antar muka pada proses klasifikasi biji yang ditebar dengan tray
41
Lampiran 7 Contoh tampilan hasil klasifikasi yang ditunjukkan dengan warna pada biji yang ditebar dengan tray
42
43
RIWAYAT HIDUP Penulis dilahirkan di Kudus pada tanggal 2 Oktober 1989, merupakan putri kedua dari tiga bersaudara, pasangan Bapak Rumain S dan Ibu Sulastini. Penulis menikah dengan Ahmad Thoriq dan di karunia seorang anak, Atha Rafif Nugroho. Penulis menamatkan Sekolah Menengah Atas (SMA) di SMA Negeri 1 Bae Kudus pada tahun 2007. Jenjang pendidikan S1 penulis tempuh di Jurusan Teknik Pertanian, Fakultas Teknologi Pertanian, Institut Pertanian Bogor dan lulus pada tahun 2011. Sebagian dari tesis ini akan diterbitkan pada Jurnal Keteknikan Pertanian Vol.5 No.1, April 2017.
