Laporan Akhir Praktikum Mempelajari Karakterisitk Visual Citra Tomat Menggunakan Image Processing
Avicienna Ulhaq Muqodas F14110108
DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR 2014
PENDAHULUAN
Latar Belakang
Kontribusi hortikultura bagi manusia diantaranya adalah sebagai sumber pangan dan gizi, Pendapatan keluarga, sedangkan bagi lingkungan adalah terciptanya estetika dan konservasi genetik. Semakin meningkatnya permintaan akan komoditas hortikultura karena peningkatan jumlah penduduk dan perubahan pola konsumsi makanan, maka pengembangan komoditas hortikultura menjadi salah satu prioritas dalam rangka diversifikasi konsumsi dan peningkatan gizi. Oleh karena itu hortikultura khususnya tomat merupakan komoditas yang sangat berpeluang dan prospektif untuk dikembangkan dengan pendekatan agribisnis. Untuk bisa bersaing di pasar, maka produk tomat harus memiliki kualitas yang baik. Salahsatu metode untuk mempertahankan kualitas produk pertanian adalah menerapkan sistem sortasi dan grading pada penanganan pasca panen. agar menghasilkan produk yang seragam, akurat dan cepat, metode pengolahan citra (image processing) bisa menjadi salahsatu alternatif untuk memecahkan persoalan tersebut. Metode image processing sudah banyak pada pengembangan teknologi etrustama pada bidang penanganan pascapanen sebagai pengenalan non dekstruktif dari sebuah bahan pertanian. Kelebihan lain dari metode image processing ini adalah terbebas dari sifat bias subjektifitas, lelah atau keragaman kemampuan yang menyebabkan berbeda – bedanya acuan pengukuran. Penelitian image processing pada bahan pertanian juga sudah dilakukan Paramiaty (2003) melakukan pengenalan ukuran butiran beras menggunakan image processing dan fuzzy logic untuk evaluasi mutu beras sosoh. Maragia (2003) menggunakan image processing untuk melakukan evaluasi mutu pada bunga gladiol. Soedibyo et al (2009) menggunakan metode image processing untuk pemutuan kopi beras. Menggabungkan image processing dan ANN serta pricipal component analysis (PCA) untuk sortasi mentimun juga pernah dikembangkan Seminar (2003). Gasim (2013) menggunakan metode image processing memanfaatkan feature RGB pada citra dan deteksi tepi untuk mengenali jenis kayu.
Tujuan
Tujuan dari praktikum ini yaitu untuk mempelajari karakteristik citra dari tomat, menyusun alogiritma pengenalan karakteristik, dan melakukan validasi.
TINJAUAN PUSTAKA
Image Processing
Image processing atau pengolahan citra, adalah proses pengolahan pada sebuah citra yang melibatkan banyak persepsi visual. Proses ini memiliki ciri pada data masukan dan keluaran berbentuk citra digital (Arymurty dan Suryana, 1992). Citra digital sendiri menurut Somantri (2014) merupakan suatu array dua dimensi atau suatu matriks yang elemen-elemennya menyatakan tingkat keabuan dari elemen gambar tersebut. Proses pengolahan data pada sebuah sistem visual sangat besar, dan ini berbanding lurus dengan kebutuhan untuk melakukan komputasi. Oleh karena itu, dalam melakukan pengolahan data visual dibagi atas empat karakteristik operasi yaitu operasi tingkat titik, operasi tingkat lokal, operasi tingkat global, dan operasi tingkat objek. Contoh operasi tingkat titik terdapat pada operasi thresholding atau pemisahan citra berdasarkan parameter warna tertentu. Hal ini disebabkan karena pemisahan warna pada titik tersebut tidak dipengaruhi oleh titik lain yang ada disekitarnya. Operasi tingkat lokal, contohnya terdapat pada operasi dilatasi dan edge detection, dimana keadaan pixel tetangga mempengaruhi operasi tersebut. operasi tingkat global, merupakan operasi citra yang pada prosesnya melibatkan bagian citra secara keseluruhan, hal ini terdapat pada proses ekualisasi histogram. Operasi tingkat objek, merupakan operasi yang melibatkan karakteristik objek tersebut secara spesifik, contoh luas atau bentuk.
METODOLOGI Waktu dan Tempat
Pelaksanaan penelitian dilakukan di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian (TPPHP) dan Laboratorium AEDS, Departemen Teknik Mesin dan Biosistem, Fakultas Teknologi Pertanian, Institut Pertanian Bogor. Waktu pelaksanaan praktikum dimulai pada setiap hari Rabu 5 November sampai 17 Desember 2014.
Alat dan Bahan
Alat dan bahan yang digunakan adalah tomat, kain putih, kain hitam, timbangan digital, kamera CCD.
Pengolahan Citra
Pada praktikum kali ini, akan dilakukan beberapa parameter karakteristik visual citra, yaitu indeks r, g dan b, luas objek, keliling objek dan perbandingan antara keliling dan luas objek. a. Indeks r, g, b Indeks dari rgb adalah komponen warna RGB yang sudah ternormalisasi dengan cara membagi nilai setiap komponen dengan color value dari sebuah piksel. Persamaan indeks rgb dapat dilihat pada persamaan 1 – 3. 𝑟=
𝑅 𝑅+𝐺+𝐵
(1)
𝑔=
𝐺 𝑅+𝐺+𝐵
(2)
𝑏=
𝐵 𝑅+𝐺+𝐵
(3)
Untuk menentukan selang dari masing – masing indeks rgb, digunakan uji statistik t dari 10 sampel gambar tomat yang difoto dari sisi atas. b. Luas objek Luas dari objek dihitung berdasarkan jumlah piksel yang bernilai 255, pada sebuah citra yang sudah dibinerisasi. c. Keliling objek Keliling objek, dihitung menggunakan fungsi contour.perimeter() pada library OpenCV yang merupakan representasi dari benpanjang kurva pada sebuah kontur tertutup. d. Perbandingan keliling dan luas Pada praktikum kali ini, perbandingan keliling dan luas digunakan agar program dapat mengenali jenis buah yang akan dianalisis secara otomatis. pada analisis rasio keliling – luasan kali ini dilakuan pebandingan antara rasio tomat dengan buah lain. Hal ini bertujuan agar dapat melihat kesesuaian parameter yang didapat.
Validasi
Validasi digunakan untuk memastikan bahwa nilai dari parameter yang digunakan dapat digunakan untuk mengenali tomat. Validasi dilakukan dengan cara menguji 10 sampel. Performa dari program dihitung dari keberhasilan mengenali buah tomat.
HASIL DAN PEMBAHASAN
Pengembangan Program Pada praktikum kali ini program pengolahan citra dikembangkan dengan bahasa C#. secara garis besar, program ini memiliki fungsi utama untuk membuka citra, melakukan thresholding, binerisasi, erosi, dilasi, dan deteksi tepi. Tampilan dari program seperti pada Gambar 1.
Gambar 1 Tampilan program pengolah citra Pengamatan Pendahuluan Pada praktikum kali ini dilakukan pengamatan pendahuluan terhadap warna latar yang digunakan untuk pengolahan citra. Warna latar akan mempengaruhi proses thresholding dari citra, latar yang kurang kontras dan menimbulkan bayangan
terhadap objek menghasilkan citra yang kabur sehingga hasil yang digunakan tidak presisi. Dari hasil pengamatan, digunakan 2 buah latar yaitu hitam dan putih. Untuk melihat tingkat kontras, dapat dilihat berdasarkan bentuk hitogram komponen R dari citra.
Tomat dengan Latar Putih 18000 16000 14000 12000 10000 8000 6000 4000 2000
1 9 17 25 33 41 49 57 65 73 81 89 97 105 113 121 129 137 145 153 161 169 177 185 193 201 209 217 225 233 241 249
0
Gambar 2 Histogram citra tomat dengan latar putih
Tomat dengan Latar Hitam 45000 40000 35000 30000 25000 20000 15000 10000 5000
1 10 19 28 37 46 55 64 73 82 91 100 109 118 127 136 145 154 163 172 181 190 199 208 217 226 235 244 253
0
Gambar 3 Histogram citra tomat dengan latar hitam
Dari Gambar 3 dan Gambar 2 dapat terlihat bentuk histogram dengan latar yang berbeda, pada Gambar 2, terlihat bahwa nilai latar memiliki nilai yang lebih tinggi dibanding objek. Pada Gambar 2, juga terlihat bahwa ada nilai tertentu yang berdekatan menghubungkan antara nilai puncak satu dan yang lain, ini menyebabkan bias karena cukup sulit untuk menentukan apakah nilai tersebut objek atau latar. Sedangkan pada Gambar 3, terlihat perbedaan yang ekstrim antara latar dengan objek. Terlihat ada dua nilai puncak yang dipisahkan dengan nilai yang sangat berjauhan. Dari hasil pengamatan pendahuluan disimpulkan bahwa latar hitam lebih cocok dibandingkan dengan latar putih untuk dijadikan latar pengamatan.
Analisis Warna Dari hasil pengambilan fitur indeks warna pada citra, didapatkan seperti pada Gambar 4. Individual Value Plot of r, g, b 0.6
0.5
Data
0.4
0.3
0.2
0.1 r
g
b
Gambar 4 Pola persebaran nilai indeks r, g, dan b Berdasarkan Gambar 4, dapat kita lihat bahwa persebaran indeks warna merah, r dominan terjadi pada buah tomat. Sementara komponen yang paling rendah adalah biru, b. Data hasil ekstraksi diolah lebih lanjut dengan uji statistik t untuk menemukan selang warna pada setiap komponen warna. Hasil dari uji statistik dapat dilihat pada Gambar 5, 6 dan 7.
Gambar 5 Uji statistik t pada komponen r pada tomat
Gambar 6 Uji statistik t pada komponen g pada tomat
Gambar 7 Uji statistik t pada komponen b pada tomat Dengan selang kepercayaan 95%, ditemukan bahwa selang nilai indeks r pada tomat adalah 0.5156 – 0.5866, sedangkan selang nilai indeks g berada pada 0.3135 – 0.3785, dan untuk indeks b berada pada selang 0.09622 – 0.10958.
Analisis Luasan Objek Pada praktikum kali ini juga dilakukan analisis terhadap luasan objek. dari sepuluh sampel objek yang diamati, luasan terlihat seperti pada Tabel 1. Tabel 1 Luasan objek dan berat tomat No 1 2 3 4 5 6 7 8 9 10
Luas (piksel) 27077 28252 28827 31621 32247 32436 32899 34088 35402 35816
Berat (gram) 98.23 94.04 90.42 109.57 118.31 107.12 113.18 113.79 132.81 124.33
Berdasarkan Tabel 1 diatas, terlihat adanya kecenderungan adanya korelasi antara luas dengan berat tomat. Hal ini dapat diketahui sekilas dengan melihat luasan yang semakin bertambah ketika berat pada tomat bertambah. Jika diplot kedalam sebuah grafik, maka akan terlihat seperti pada Gambar 8.
Grafik Luasan Piksel - Berat Tomat 140 120 100 80
y = 0.0041x - 19.145 R² = 0.8201
60 40 20 0 0
5000
10000
15000
20000
25000
30000
35000
40000
Gambar 8 Grafik hubungan antara luasan piksel dengan berat Berdasarkan Gambar 8 dapat disimpulkan bahwa korelasi antara luasan piksel dengan berat tomat berhubungan dekat, hal ini dibuktikan dengan nilai korelasi yang mencapai 82 %. Sehingga, persamaan yang didapatkan dari grafik dapat digunakan untuk model prediksi berat tomat. Analisis Rasio Keliling – Luasan Objek Dari hasil analisis rasio keliling dan luas objek, didapatkan data seperti pada Tabel 2. Tabel 2 Rasio keliling-luas pada tomat, Pear, mangga, dan mentimun Sampel ke Tomat Pir Mangga Timun 1 0.02140 0.01391 0.01263 0.02311 2 0.02370 0.01427 0.01098 0.02667 3 0.02028 0.01511 0.01275 0.01820 4 0.02991 0.01400 0.01191 0.01910 5 0.02384 0.01460 0.01537 0.02216 6 0.02467 0.01473 0.01369 0.02087 7 0.02265 0.01611 0.01448 0.02284 8 0.02401 0.01492 0.01430 0.01986 9 0.02342 0.01471 0.01388 0.01981 10 0.02179 0.01531 0.01360 0.02190
Untuk mengetahui persebaran nilai rasio dari setiap objek, data diatas diplot kedalam sebuah grafik seperti pada Gambar 9. Individual Value Plot of Tomat, Pir, Mangga, Timun 0.030
Data
0.025
0.020
0.015
0.010 Tomat
Pir
Mangga
Timun
Gambar 9 Persebaran nilai rasio keliling-luasan pada setiap objek Berdasarkan Gambar 9, terlihat bahwa nilai rasio dari setiap objek ada yang memiliki kecenderungan untuk bertumpukan, contohnya pada tomat dengan timun, pir dengan mangga. Untuk itu, diperlukan analisis lebih lanjut menggunakan analisis statistik uji t pada 10 sampel dengan selang kepercayaan 95 %. Dari hasil uji statistik, didapatkan seperti pada Gambar 10.
Gambar 10 Uji statistik nilai ratio dari tomat, mangga, pir, dan timun Berdasarkan uji statistik tersebut, didapatkan nilai yang bertumpukan hanya terjadi pada tomat dan timun. Oleh karena itu dibutuhkan parameter lain sebagai pembatas agar program dapat membedakan buah mentimun atas tomat.
Untuk menentukan parameter pembeda antara timun dan tomat yang tepat, maka dibandingkan nilai indeks rgb dari mentimun dan tomat. Seperti pada Gambar 11 – 13. Individual Value Plot r of Tomat, Timun 0.65 0.60
Data
0.55 0.50 0.45 0.40 0.35 Tomat
Timun
Gambar 11 Perbandingan sebaran nilai r dari timun dan tomat Individual Value Plot of g Tomat, Timun 0.46 0.44 0.42
Data
0.40 0.38 0.36 0.34 0.32 0.30 Tomat
Timun
Gambar 12 Perbandingan sebaran nilai g dari timun dan tomat
Individual Value Plot of b Tomat, Timun 0.275 0.250 0.225
Data
0.200 0.175 0.150 0.125 0.100 Tomat
Timun
Gambar 13 Perbandingan sebaran nilai b dari timun dan tomat Dari Grafik 11, 12, dan 13 terlihat bahwa nilai r pada timun lebih mengumpul dibandingkan dengan komponen lain, sehingga dipilih lah komponen r sebagai parameter kedua untuk membedakan antara tomat dan timun. Dilakukan uji statistik t dengan selang kepercayaan 95 % untuk menentukan selang dari nilai r pada timun. Sehingga didapatkan seperti pada Gambar 14.
Gambar 14 Uji statistik t pada komponen r timun
Validasi Parameter Nilai parameter yang ditemukan pada analisis sebelumnya divalidasi dengan 10 sampel. Sehingga, didapatkan seperti pada Tabel 3.
Jumlah Sampel 10
Tabel 3 Hasil validasi parameter Terdeteksi Terdeteksi Tidak Tomat Buah Lain Terdeteksi 7 0 3
Performa 70%
KESIMPULAN
Dari hasil praktikum kali ini dapat disimpulkan bahwa pada citra buah tomat, nilai indeks r pada tomat adalah 0.5156 – 0.5866, sedangkan selang nilai indeks g berada pada 0.3135 – 0.3785, dan untuk indeks b berada pada selang 0.09622 – 0.10958. sedangkan untuk karakteristik luas, ternyata berkorelasi dengan berat dari tomat. Sedangkan untuk karakteristik rasion dari keliling-luasan tomat, nilai rasio buah tomat bertumpukan dengan buah lain, sehingga untuk membedakan buah tomat diperlukan parameter lain, dan parameter yang terbaik berdasarkan analisis index rgb adalah nilai r.
DAFTAR PUSTAKA
Arymurti AM, Suryana, S. 1992. Pengantar Pengolahan Citra. Jakarta(ID) : PT Elex Media Komputindo. Maragia J.2007. Kajian Karakteristik Mutu Bunga Gladiol (gladiolus hybrydus) dengan Teknik Pengolahan Citra [Skripsi]. Bogor (ID) : Institut Pertanian Bogor. Paramiaty LE. 2003. Pengenalan Ukuran Butiran Beras Dengan Menggunakan Pengolahan Citra dan Metode Fuzzy Untuk Evaluasi Mutu Beras Sosoh [Skripsi]. Bogor (ID) : Institut Pertanian Bogor Seminar KB, Marimin, Ferianto T. 2003. Aplikasi jaringan syaraf tiruan dan analisis komponen utama untuk sortasi mentimun. Buletin Keteknikan Pertanian. Vol 17 No. 2 : 39 – 52. Somantri SA. 2014. Pengembangan Perangkat Identifikasi Mutu Fisik Beras Menggunakan Real Time Image Processing [Tesis]. Bogor (ID) : Institut Pertanian Bogor.
