PEMILIHAN PARAMETER PENGOLAHAN CITRA YANG OPTIMAL UNTUK PENGHITUNGAN BENIH DAN TELUR IKAN
FAJAR MULYANTI
DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR BOGOR 2013
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Pemilihan Parameter Pengolahan Citra yang Optimal untuk Penghitungan Benih dan Telur Ikan adalah benar karya saya dengan arahan dari Dosen Pembimbing Dr Ir I Wayan Astika, M.Si 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 skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Oktober 2013
Fajar Mulyanti NIM F14090047
ABSTRAK FAJAR MULYANTI. Pemilihan Parameter Pengolahan Citra yang Optimal untuk Penghitungan Benih dan Telur Ikan. Dibimbing oleh I WAYAN ASTIKA. Tujuan penelitian ini adalah menentukan parameter pengolahan citra yaitu batas thresholding dan luasan citra bergerombol ikan yang optimal untuk melakukan penghitungan benih ikan dengan pengolahan citra. Nilai threshold ditentukan dengan dua cara yaitu: 1) Menggunakan persentil grey scale citra benih ikan dan 2) Menunjuk warna patokan citra benih ikan. Nilai persentil threshold untuk benih ikan gurame gabah adalah 75, benih lele 3-4 cm, benih nila 1 cm, dan benih patin 1" adalah 70, benih ikan mas 5 cm dan gurame kuku adalah 50, telur gurame adalah 90, dan benih nila merah adalah 25. Rasio luas benih ikan bergerombol dengan luas rata-rata satu ekor benih ikan memiliki nilai yang berbeda-beda untuk setiap jenis ikan. Rasio telur ikan yang bergerombol cenderung lebih besar daripada rasio benih ikan yang bergerombol. Metode menentukan nilai threshold dengan persentil grey scale menghasilkan akurasi penghitungan pada benih ikan lele 90.07%, patin 1" 84.75%, gurame kuku 86.11%, gurame gabah 86.09% dan telur gurame 83.33%. Penentuan threshold dengan menunjuk warna citra ikan menghasilkan akurasi pada benih ikan nila sebesar 93.33%, patin 1" 90.00%, lele 80.65%, gurame kuku 93.29%, gurame kwaci 89.82%, gurame gabah 84.90%, dan telur gurame 91.72%. Kata kunci : penghitungan benih ikan, pengolahan citra
ABSTRACT FAJAR MULYANTI. Determining Optimal Image Processing Parameters for Counting of Fish Jouveniles and Fish Eggs. Supervised by I WAYAN ASTIKA. The aim of this research is to determine the optimal image processing parameters consisting of thresholding level and ratio of fish school area in order to count the number of fish jouveniles or eggs with image processing method. The thresholding level was determined with two methods: 1) Percentile of fish image grey scale, and 2) Pointing the fish image color. The percentile threshold value for 0.5 cm gouramy was 75, 3-4 cm catfish, 1 cm tilapia, and 1″ pangasius were 70, 5 cm carp and 1 cm gouramy were 50, eggs of gouramy was 90, and 3 cm red tilapia was 25. Ratio area of jouveniles fish school with average area of one jouvenile has different value depent on the fish type. Ratio of fish school eggs was bigger than fish school. Percentile of grey scale threshold showed accuracy for jouveniles of catfish was 90.07%, 1″ pangasius was 84.75%, 1 cm gouramy 86.11%, 0.5 cm gouramy was 86.09%, and eggs of gouramy was 91.72%. Fish image color threshold showed accuracy for jouveniles of tilapia was 93.33%, 1″ pangasius was 90.00%, catfish was 80.65%, 1 cm gouramy was 93.29%, 0.75 cm gouramy was 89.82%, 0.5 cm gouramy was 84.90%, and eggs of gouramy was 91.72%. Keywords : fish jouveniles counting, image processing
PEMILIHAN PARAMETER PENGOLAHAN CITRA YANG OPTIMAL UNTUK PENGHITUNGAN BENIH DAN TELUR IKAN
FAJAR MULYANTI
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Teknologi Pertanian pada Departemen Teknik Mesin dan Biosistem
TEKNIK MESIN DAN BIOSISTEM FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR BOGOR 2013
Judul Skripsi: Pemilihan Parameter Pengolahan Citra yang Optimal untuk Penghitungan Benih dan Telur Ikan : Fajar Mulyanti Nama : F14090047 NIM
Disetujui oleh
'"7 Dr Ir I Wayan Astika, M.Si Pembimbing
Tanggal Lulus:
f2 3 OCT 2013
Judul Skripsi : Pemilihan Parameter Pengolahan Citra yang Optimal untuk Penghitungan Benih dan Telur Ikan Nama : Fajar Mulyanti NIM : F14090047
Disetujui oleh
Dr Ir I Wayan Astika, M.Si Pembimbing
Diketahui oleh
Dr Ir Desrial, M.Eng Ketua Departemen
Tanggal Lulus:
PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian ini ialah pengolahan citra, dengan judul Pemilihan Parameter Pengolahan Citra yang Optimal untuk Penghitungan Benih dan Telur Ikan. Terima kasih penulis ucapkan kepada Dr Ir I Wayan Astika, M.Si selaku dosen pembimbing yang telah banyak memberi saran, arahan, dukungan dan bimbingan selama penelitian dan pembuatan skripsi serta kepada Dr Ir Emmy Darmawati, M.Si dan Dr Liyantono, S.TP, M.Agr selaku dosen penguji yang telah memberikan saran dan masukan. Ungkapan terima kasih juga penulis sampaikan kepada Ayah, Ibu, Adi, Aas, Satria, Anggit, Paklik AF Subagyo, Bulik Parminah, Paklik Rohmat IM, serta Ilham atas segala doa, bantuan, dan kasih sayangnya. Penulis juga mengucapkan terima kasih kepada Nuzul, Naila, Wenny, Gde, Desi, Kurnia, Adit, Rusnadi, Heri, Iqbal, dan semua teman-teman TEP 46 atas dukungan, bantuan dan semangatnya. Di samping itu, penulis juga mengucapkan terima kasih kepada teknisi Pak Gozali, Pak Kodir, dan Pak Andri yang telah membantu selama pengambilan data. Semoga karya ilmiah ini bermanfaat.
Bogor, Oktober 2013 Fajar Mulyanti
DAFTAR ISI DAFTAR TABEL
vi
DAFTAR GAMBAR
vii
DAFTAR LAMPIRAN
viii
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
2
METODE PENELITIAN
3
Waktu dan Tempat
3
Alat
3
Bahan
3
Prosedur Penelitian
3
HASIL DAN PEMBAHASAN
5
Karakteristik Sebaran Warna Citra
5
Penentuan Batas Thresholding
7
Rasio Luas Ikan Bergerombol
12
Pengujian Program
16
SIMPULAN DAN SARAN
23
Simpulan
23
Saran
24
DAFTAR PUSTAKA
24
LAMPIRAN
25
RIWAYAT HIDUP
30
DAFTAR TABEL 1 2 3 4 5 6 7 8
Karakteristik grey scale beberapa citra benih ikan patin 1" dan nampan Sebaran warna grey scale benih ikan gurame Nilai threshold pada citra benih ikan gerame gabah Persentil nilai threshold beberapa jenis ikan Contoh beberapa bentuk benih ikan lele bergerombol Rasio luas benih ikan bergerombol dengan luas satu ekor benih ikan Akurasi pengujian program penghitung ikan Akurasi pengujian program penghitung benih ikan gurame nguku
7 8 11 12 13 15 19 22
DAFTAR GAMBAR 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16
Nampan dengan tepi berbentuk lengkung Contoh beberapa ikan yang bergerombol Histogram sebaran grey scale benih ikan gurame dan nampan Benih ikan patin ukuran 1" pada pencahayaan gelap dan terang Histogram sebaran grey scale piksel-piksel di dalam nampan Benih gurame ukuran gabah Histogram sebaran grey scale benih ikan gurame Histogram sebaran grey scale pada satu nampan Contoh hasil thresholding pada beberapa persentil nilai threshold Tampilan program penghitungan luas benih ikan Contoh benih ikan yang bergerombol pada bagian pinggir Contoh telur gurame yang bergerombol empat dan tiga ekor Tampilan program penghitungan benih ikan Hasil penghitungan benih ikan lele Hasil penghitungan pada citra dengan ikan yang berada di pinggir nampan Tampilan program pengolahan citra
4 4 5 6 6 8 9 10 11 14 16 16 17 18 18 21
DAFTAR LAMPIRAN 1 Nilai persentil threshold beberapa jenis ikan 2 Akurasi pengujian penghitung ikan pada bebepara jenis ikan
26 28
6
30
PENDAHULUAN Latar Belakang Usaha pembenihan ikan berperan penting dalam menjamin keberlangsungan usaha pembesaran. Mutu benih yang dihasilkan merupakan hal penting dalam upaya memenangkan persaingan pasar. Harga jual benih umumnya ditentukan per ekor benih, sehingga dalam pemasaran diperlukan kegiatan penghitungan benih. Para petani ikan umumnya masih menggunakan cara manual untuk menghitung dan menentukan ukuran benih ikan. Metode penghitungan yang digunakan yaitu dengan kelipatan lima, benih ikan dihitung setiap lima ekor. Penghitungan dan penentuan ukuran secara manual memerlukan konsentrasi yang cukup tinggi, tenaga kerja yang banyak, waktu yang lama, dan melelahkan sehingga sering menyebabkan kesalahan. Menurut Seminar (2000), perhitungan bibit ikan yang dilakukan secara manual memiliki banyak kelemahan, antara lain: subyektifitas perhitungan, waktu yang lambat, kelelahan dalam perhitungan, dan akurasi yang tidak memadai khususnya untuk menghitung bibit ikan dalam jumlah yang besar. Kesalahan penghitungan secara manual dapat mencapai 10% untuk setiap penghitungan sebanyak 1000 ekor bibit (Seminar, 1998 dalam Seminar, 2000). Seminar (2000) membuat desain alat penghitung bibit ikan dengan multisensor paralel. Desain fungsional alat penghitung bibit ikan dengan multisensor dikembangkan dari alat penghitung dengan sensor tunggal dengan mereplikasi penyaluran keluaran ikan dan sistem sensor, serta menambahkan komponen fungsional penjumlah (adder). Prinsip kerja dari alat penghitung ikan ini yaitu ikan yang akan dihitung dialirkan melalui pipa yang transparan sehingga kehadiran ikan pada pipa dapat terdeteksi satu persatu oleh sensor yang dipasang pada pipa penyaluran. Hasil dari pembacaan sensor tersebut kemudian dijumlahkan secara paralel untuk memperoleh hasil perhitungan. Pengujian performansi alat penghitung dengan multisensor paralel belum dilaksanakan sehingga belum diketahui seberapa besar akurasi, kecepatan perhitungan, dan keamanan bagi ikan. Saksanni (2008) menggunakan pengolahan citra dalam pemutuan dan perhitungan benih ikan lele pada tiga kondisi pencahayaan yaitu pada ruang terbuka, di bawah naungan sinar matahari, dan di ruang dengan pencahayaan terkondisi. Parameter panjang dan parameter luas digunakan untuk menentukan grade atau kelas dari masing-masing benih ikan lele yang terdapat dalam citra digital yang telah dianalisa. Hasil klasifikasi menggunakan parameter panjang akan dibandingkan dengan hasil klasifikasi dengan parameter luas. Nilai akurasi yang diperoleh pada pengujian di ruang terbuka dengan parameter luas sebesar 77,78 % dan menggunakan parameter panjang sebesar 61,79 %. Pengujian di naungan sinar matahari menggunakan parameter luas sebesar 86,67 % dan menggunakan parameter panjang sebesar 83,33 %. Pengujian di ruang terkondisi menggunakan parameter luas sebesar 87,78 % dan menggunakan parameter panjang sebesar 64,44 %. Kelemahan pada metode ini yaitu belum mampu mengenali bintik putih pada tubuh ikan lele akibat pemantulan sinar, belum
2 mampu menanggulangi cacat pada citra objek pengolahan akibat riak air, belum mampu mengenali dan memisahkan objek ikan lele yang bersinggungan. Adhi (2011) menggunakan pengolahan citra dan metode timbang untuk menghitung benih lele. Pengambilan citra menggunakan sebuah alat yang terdiri dari wadah penampung ikan, kerangka meja wadah, dan dudukan kamera. Cara kerja dari alat yaitu benih dituang dalam wadah kemudian diambil gambarnya oleh kamera digital dan menyimpannya dalam bentuk JPEG. Citra tersebut kemudian dipindahkan ke komputer untuk selanjutnya diolah dengan program Visual Basic 6.0 agar didapatkan area citra benih ikan. Pengambilan citra dilakukan pada waktu 5 detik, 10 detik, dan 15 detik setelah benih dituang ke dalam wadah. Waktu yang terbaik untuk melakukan pengambilan citra yaitu saat benih berada dalam wadah dalam selang waktu 5 detik. Hasil perhitungan jumlah benih dengan pengukuran berat benih mempunyai akurasi yang cukup tinggi dengan error rata-rata 3.5%, sedangkan hasil perhitungan jumlah benih ikan melalui sistem simulasi memiliki error rata-rata 2.3%. Kelemahan pada sistem ini antara lain: masih adanya bayangan yang ikut serta dalam wadah yang tidak terhapus saat dilakukan thresholding sehingga perlu adanya pengkondisian cahaya, dan sistem belum mampu memisahkan secara detil objek yang berhimpitan. Kendala yang menyebabkan rendahnya akurasi pada penelitian sebelumnya yaitu cahaya yang menyebabkan adanya bayangan dalam wadah sehingga mempengaruhi thresholding, dan sistem belum mampu memisahkan secara detil objek yang berhimpitan. Oleh karena itu, perlu adanya pengembangan metode penghitungan benih ikan dengan pengolahan citra yang mampu mengatasi adanya efek bayangan dan dapat menghitung ikan yang berhimpitan atau bergerombol dengan metode penghitungan yang sesuai. Penelitian sebelumnya diterapkan pada jenis ikan lele sehingga pada penelitian ini dilakukan pengembangan dengan menerapkan metode panghitungan pada jenis ikan yang lebih beragam. Astika dkk (2013) melakukan pengembangan penelitian dengan metode pengolahan citra untuk menghitung dan menentukan ukuran telur dan benih ikan. Citra yang diambil pada telur dan benih ikan diolah dalam program Visual Basic. Proses thresholding diterapkan untuk menghilangkan bayangan objek dan nampan serta kotoran yang ada pada nampan. Setiap penghitungan didahului oleh langkah kalibrasi, sejumlah telur atau benih diproses untuk mengetahui ukuran gambar rata-rata benih ikan atau telur. Akurasi sangat tergantung pada kondisi pencahayaan objek. Kondisi pencahayaan yang berbeda membutuhkan nilai optimum yang berbeda dari parameter thresholding, sehingga sulit untuk menetapkan nilai konstan parameter. Keakuratan penghitungan telur jauh lebih baik daripada benih ikan karena ukuran, warna, dan posisi relatif konsisten. Penelitian yang dilakukan menerapkan beberapa metode yang telah dikembangkan pada penelitian yang telah dilakukan olah Astika (2013). Tujuan Tujuan penelitian ini adalah menentukan parameter pengolahan citra yaitu batas thresholding dan luasan citra ikan bergerombol yang optimal untuk melakukan penghitungan benih ikan dengan pengolahan citra.
3
METODE PENELITIAN Waktu dan Tempat Penelitian dilaksanakan pada bulan April 2013 – September 2013 bertempat di Bagian Teknik Biosistem, Departemen Teknik Mesin dan Biosistem, IPB, dan Desa Putat Nutug, Kecamataan Ciseeng, Bogor.
Alat Alat yang digunakan dalam penelitian adalah telepon seluler, laptop, kamera digital, luxmeter, nampan, serokan ikan, ember, Microsoft Excel dan software Microsoft Visual Basic.
Bahan Bahan yang digunakan berupa benih ikan lokal dengan beberapa grade, jumlah benih yang digunakan dalam sekali pengambilan citra 30 - 100 ekor untuk setiap jenis ikan dan setiap gradenya. Beberapa jenis dan ukuran (grade) benih ikan yang digunakan adalah: 1. Benih ikan lele ukuran: 3- 4 cm, 5-6 cm, dan 7-8 cm 2. Benih ikan nila ukuran: 1 cm dan 3-5 cm Benih ikan mas ukuran: 5 cm 3. 4. Benih ikan gurame ukuran: larva, gabah, kwaci, kuku 5. Telur gurame Benih ikan patin ukuran: 0.5 ꞌꞌ dan 1 ꞌꞌ 6.
Prosedur Penelitian Langkah-langkah yang dilakukan dalam penelitian ini mencakup beberapa tahapan yaitu identifikasi masalah, perancangan, dan pengambilan data. 1. Identifikasi masalah Penelitian diawali dengan melakukan identifikasi terhadap permasalahan yang terjadi di lapangan. Ukuran benih yang umum diperjualbelikan beragam mulai dari telur (ikan gurame), larva, sampai pada ukuran tertentu. Permasalahan yang ditemukan adalah penghitungan benih ikan yang dilakukan secara manual membutuhkan waktu lama dan akurasi yang rendah. Penelitian yang sudah dilakukan sebelumnya tentang penghitungan benih ikan dengan pengolahan citra mempunyai kelemahan yaitu pengaruh cahaya yang menimbulkan bayangan pada tepi wadah dan sistem belum mampu memisahkan objek yang berhimpitan. 2. Perancangan Benih ikan yang akan diambil citranya ditempatkan pada nampan dengan ukuran disesuaikan agar ukuran ikan pada citra yang
4 dihasilkan tidak terlalu kecil sehingga mudah untuk dilakukan pengolahan citra. Nampan yang digunakan berwarna putih agar warna objek pada citra yang dihasilkan kontras dengan warna latar. Faktor cahaya yang menyebabkan bayangan di tepi wadah dapat diatasi dengan mendesain nampan yang lengkung pada bagian tepi (Gambar 1). Faktor cahaya yang menyebabkan kecerahan citra tidak stabil dapat diatasi dengan memainkan nilai threshold.
Gambar 1 Nampan dengan tepi berbentuk lengkung Kendala berupa adanya ikan yang bergerombol (Gambar 2) dapat diatasi dengan mengetahui luas ikan per ekor dan luas ikan yang bergerombol sehingga dapat diketahui rasio luas ikan bergerombol dengan luas satu ekor ikan. Penghitungan rasio luas ikan yang bergerombol dengan jumlah satu ekor ikan dilakukan pada setiap jenis ikan agar dapat diketahui karakteristik rasio luas ikan pada setiap jenis ikan dan dapat dipilih nilai rasio luas yang optimal yang dapat digunakan untuk semua jenis ikan.
Gambar 2 Contoh beberapa ikan yang bergerombol 3.
Pengambilan data Pengambilan citra dilakukan pada kondisi pencahayaan alami tanpa adanya pengkondisian cahaya. Hal tersebut bertujuan agar program yang dirancang nantinya dapat diterapkan di lapangan. Pengambilan data berupa citra ikan dilakukan pada pagi hari pk 08.00 – 11.00 dan siang hari pk 13.00 – 15.00 dengan iluminansi cahaya berkisar antara 450 lux sampai 1400 lux. Ikan ditempatkan pada
5 nampan dan pengambilan citra dilakukan secara tampak atas dari nampan. Pengambilan citra dilakukan dengan menggunakan kamera telepon seluler dan kamera digital. Citra digital yang dihasilkan kemudian disimpan dalam format JPEG dengan ukuran 640 x 480.
HASIL DAN PEMBAHASAN Karakteristik Sebaran Warna Citra Data berupa citra digital yang dihasilkan kemudian diolah dengan program Visual Basic 6.0 untuk mengetahui nilai RGB dan grey citra. Nilai RGB dan grey dari citra ikan dalam satu nampan tersebut kemudian diolah dengan program Excel untuk mengetahui sebaran warna dalam bentuk histogram sebaran grey scale. Histogram sebaran grey scale memperlihatkan sebaran grey dari dua objek yaitu warna latar (nampan) dan warna benih ikan. Contoh histogram sebaran warna citra pada benih ikan gurame ukuran kuku dan nampan dapat dilihat pada Gambar 3. Berdasarkan histogram tersebut dapat dilihat bahwa warna grey pada citra tersebar pada nilai 19 – 255. Frekuensi tertinggi terjadi pada selang nilai grey 175.5 – 188.5 yang merupakan piksel latar.
Gambar 3 Contoh histogram sebaran grey scale citra benih ikan gurame dan nampan Setiap jenis benih ikan yang berbeda mempunyai bentuk, ukuran, dan warna yang berbeda sehingga karakteristik sebaran warna berbeda. Karakteristik sebaran warna setiap citra pada jenis ikan yang sama dapat berbeda, hal tersebut disebabkan kondisi pencahayaan dan posisi benih ikan yang berbeda. Gambar 5 menunjukkan contoh citra benih ikan patin ukuran 1" yang diambil pada kondisi iluminansi cahaya yang berbeda. Gambar 5 menunjukkan perbedaan sebaran warna grey scale pada tingkat iluminansi yang berbeda.
6
(a). Pencahayaan gelap (778 lux)
(b). Pencahayaan terang (900 lux)
Gambar 4 Benih ikan patin ukuran 1" pada pencahayaan gelap dan terang
(a) Sebaran warna pada pencahayaan gelap (778 lux)
(b) Sebaran warna pada pencahayaan terang (900 lux) Gambar 5 Histogram sebaran grey scale piksel-piksel di dalam nampan
7 Gambar 5 (a) diambil pada tingkat iluminansi cahaya 778 lux sedangkan Gambar 5 (b) diambil pada tingkat iluminansi cahaya 900 lux. Citra yang dihasilkan pada tingkat iluminansi yang lebih terang menyebabkan frekuensi puncak bergeser ke arah grey yang lebih besar (lebih terang). Karakteristik yang dapat digunakan sebagai acuan pada histogram sebaran warna yaitu nilai minimal, maksimal, rata-rata, dan frekuensi terbanyak. Citra yang dihasilkan dari jenis benih ikan yang sama dan kisaran intensitas cahaya yang sama menghasilkan karakteristik sebaran warna yang berbeda. Tabel 1 menunjukan karakteristik sebaran grey scale pada benih ikan patin ukuran 1" berupa nilai grey minimal, maksimal, rata-rata, dan frekuensi terbanyak. Tabel 1 Contoh karakteristik grey scale beberapa citra benih ikan patin 1" dan nampan Gambar 1 2 3 4 5 6 7 8 9 10
Iluminansi cahaya (lux) 778 778 790 790 790 790 890 900 957 957
Grey minimal 1 0 2 1 2 0 12 1 20 1
Grey maksimal 255 255 255 255 255 255 255 255 255 255
Grey rata-rata 183 181 202 200 181 164 206 195 209 209
Selang frekuensi terbanyak 196 – 208 208 – 220 210 – 222 209 – 221 184 – 196 169 – 181 220 – 232 209 – 218 231 – 242 222 - 234
Citra yang diambil pada tingkat iluminansi lebih besar menunjukkan grey rata-rata yang lebih besar dan frekuensi terbanyak berada pada selang nilai yang lebih besar (lebih terang). Perbedaan karakteristik sebaran grey scale disebabkan citra yang dihasilkan tidak konsisten. Citra yang tidak konsisten dipengaruhi oleh nilai iluminansi cahaya yang berubah-ubah, dan fokus dari kamera. Posisi benih yang berubah-ubah juga menyebabkan citra yang dihasilkan tidak sama. Pengambilan citra dilakukan pada pencahayaan alami yaitu di ruang terbuka dengan naungan tanpa adanya pengkondisian cahaya sehingga tingkat iluminansi pada kisaran intensitas yang sama tidak konstan. Penentuan Batas Thresholding Proses thresholding diperlukan untuk memisahkan objek (benih ikan) dengan latar, sehingga dapat mengetahui luas piksel objek. Pada proses thresholding piksel benih ikan diubah menjadi hitam (grey 0) dan piksel latar diubah menjadi putih (grey 255). Nilai thresholding diprediksi menggunakan dua cara yaitu menetukan persentil grey scale dan menunjuk warna patokan citra ikan. Cara 1: Menentukan Persentil Grey Scale sebagai Batas Threshold Nilai thresholding diprediksi berdasarkan karakteristik sebaran warna benih ikan. Prediksi batas thresholding ditentukan berdasarkan batasan nilai grey scale benih yang dinyatakan dalam persentil. Contoh penentuan batas threshold
8 berdasarkan batas warna ikan yang diterapkan pada benih ikan gurame ukuran gabah dapat dilihat pada Gambar 6, 7, dan 8 dibawah.
Gambar 6 Benih gurame ukuran gabah Sebaran warna benih gurame yang digunakan untuk menentukan batas threshold dapat dilihat pada Tabel 2 dan Gambar 8. Tabel 2. Contoh sebaran warna grey scale benih ikan gurame Selang nilai grey 32.5 - 44.5 44.5 - 56.5 56.5 - 68.5 68.5 - 80.5 80.5 - 92.5 92.5 - 104.5 104.5 - 116.5 116.5 - 128.5 128.5 - 140.5 140.5 - 152.5
Frekuensi (piksel) 5 15 23 23 19 17 13 6 7 4
Frekuensi kumulatif 5 20 43 66 85 102 115 121 128 132
Persentil (piksel) 10 20 40 50 60 70 75 80 90 100
Letak persentil (nilai grey scale) 13.2 33.0 52.8 66.0 79.2 92.4 99.0 105.6 118.8 132.0
Warna grey benih ikan gurame gabah tersebar dari nilai 32.5 – 152.5. Nilai grey 152.5 menunjukkan warna bagian tubuh ikan yang paling terang. Pada ikan gurame ukuran gabah nilai grey tersebut menunjukkan warna bagian ekor dan bagian pinggiran ikan. Frekuensi terbesar menunjukkan bahwa sebagian besar warna tubuh benih ikan berada pada nilai grey 56.5 sampai 80.5. Selang grey scale diakumulasikan dalam bentuk persen antara 0 - 100, maka frekuensi pada batas nilai 44.5 menunjukkan 5% dan frekuensi pada nilai grey 128 menunjukkan nilai 100%.
9 selang nilai threshold
persentil 20
nilai threshold optimal
persentil 75
persentil 95
GREY SCALE
Gambar 7 Histogram sebaran grey scale dari citra benih ikan gurame Nilai threshold dicoba pada persentil 20, 75, dan 95. Nilai threshold pada persentil 20, 75, dan 95 diterapkan sebagai nilai threshold pada citra seluruh nampan. Untuk mengetahui persentil threshold yang paling optimal dari ketiga nilai persentil tersebut maka dilakukan pengujian proses thresholding pada citra seluruh nampan dengan nilai-nilai persentil tersebut. Nilai yang menunjukkan hasil thresholding terbaik dipilih sebagai nilai persentil thresholding yang optimal. Kriteria hasil thresholding citra benih ikan yang baik adalah setiap ekor benih dapat dikenali sebagai piksel ikan dan latar tidak ikut terbaca sebagai piksel ikan. Contoh hasil threshold dengan menggunakan nilai threshold pada persentil 20, 75, dan 95 dapat dilihat pada Gambar 8.
10
(a) Nilai threshold dengan persentil 20
(b) Nilai threshold dengan persentil 75
(c) Nilai threshold dengan persentil 95 Gambar 8 Contoh hasil thresholding pada beberapa persentil grey scale sebagai threshold Hasil threshold dengan persentil 20 belum optimal karena terdapat beberapa ekor piksel benih ikan yang terhapus. Nilai threshold dengan persentil 75 dianggap optimal karena piksel ikan dari setiap ekor dapat dikenali dan latar tidak ikut diproses. Nilai threshold dengan persentil 95 tidak optimal karena piksel ikan hasil threshold terlalu besar dan terdapat piksel latar yang dikenali sebagai piksel ikan. Oleh karena itu dipilih persentil 75 sebagai nilai threshold yang optimal. Nilai threshold pada persentil 75 selanjutnya digunakan sebagai batas
11 thresholding seluruh piksel termasuk piksel citra nampan dapat dilihat pada Gambar 9.
selang nilai threshold
piksel ikan
piksel latar nilai threshold optimal
persentil 75
GREY SCALE
Gambar 9 Histogram sebaran grey scale dari citra seluruh nampan Nilai threshold pada persentil 75 tersebut digunakan sebagai nilai threshold pada beberapa citra seluruh nampan sehingga menghasilkan nilai persentil citra seluruh nampan. Persentil citra seluruh nampan yang dihasilkan pada beberapa citra memiliki perbedaan (Tabel 3). Perbedaan tersebut disebabkan citra yang dihasilkan tidak konsisten pada setiap pengambilan citra. Citra yang tidak konsisten disebabkan oleh kondisi pencahayaan tidak konstan. Pada objek yang lebih cerah ikan maupun nampan menunjukkan nilai grey yang lebih besar sehingga frekuensi tertinggi berada pada selang nilai grey yang besar. Tabel 3 Nilai threshold pada citra benih ikan gurame gabah Gambar 1 2 3 4 5 6 7 8 9 10
Iluminansi cahaya (lux) 516 542 550 577 577 577 586 586 661 661
Persentil citra ikan 75 75 75 75 75 75 75 75 75 75
Persentil citra seluruh nampan 2 2 2 2 2 2 3 3 4 5
Nilai threshold citra jenis benih ikan yang lain ditentukan dengan metode yang sama seperti pada benih ikan gurame gabah. Beberapa jenis benih ikan mempunyai persentil nilai threshold yang berbeda-beda (Tabel 4). Perbedaan tersebut disebabkan oleh setiap jenis benih ikan mempunyai karakteristik warna dan bentuk yang berbeda. Persentil nilai threshold citra seluruh nampan dengan
12 menggunakan persentil nilai threshold citra benih ikan dapat dilihat pada Lampiran 1. Tabel 4. Persentil nilai threshold optimal beberapa jenis ikan Jenis ikan Gurame gabah Gurame kuku Telur gurame Lele 3-4 cm Mas 5 cm Nila 1cm Nila merah 3 cm Patin 1"
Persentil 75 50 90 70 50 70 25 70
Telur gurame mempunyai persentil threshold yang tinggi hal tersebut disebabkan telur gurame berwarna cerah dan piksel ikan gurame berada pada nilai grey yang besar. Benih ikan lele 3-4 cm, nila 1 cm, dan patin 1" mempunyai karakteristik citra yang tidak jauh berbeda sehingga mempunyai persentil threshold yang sama. Benih ikan mas dan gurame kuku mempunyai warna yang lebih gelap dari benih ikan nila, lele, dan patin sehingga mempunyai persentil threshold yang lebih kecil. Benih ikan nila merah mempunyai warna cerah pada sebagian besar tubuhnya sehingga pada saat dilakukan thresholding sulit teridentifikasi dengan baik antara ikan dengan nampan. Oleh karena itu dipilih nilai persentil threshold 25 sehingga hasil thresholding pada benih nila merah menyisakan piksel bagian mata ikan yang berwarna hitam. Piksel mata ikan mempunyai persentase yang kecil dari seluruh citra benih nila merah sehingga berada pada persentil rendah. Cara 2: Menunjuk Warna Patokan Citra Ikan Nilai threshold ditentukan berdasarkan warna piksel citra ikan yang menjadi patokan pada proses kalibrasi. Pada proses kalibrasi citra ikan diklik sehingga diperoleh RGB piksel tersebut (Rp, Gp, Bp). Citra ikan berada pada selang tertentu dari piksel patokan tersebut, di luar selang tersebut maka dianggap latar belakang (nampan). Selang atau jarak patokan yang ditentukan pada program penghitungan benih ikan yang telah dibuat oleh Astika (2013) adalah 50. - Jika jarak warna (R) > jarak patokan (Jp), dianggap sebagai warna nampan. - Jika jarak warna (R) ≤ jarak patokan (Jp), dianggap sebagai warna ikan. - Jarak warna ditentukan berdasarkan persamaan : √( Keterangan: R Ri, Gi, Bi Rp, Gp, Bp
)
(
)
(
) ..................... (1)
= jarak warna = nilai RGB piksel yang diprediksi = nilai RGB piksel patokan
13 Rasio Luas Ikan Bergerombol Ikan yang bergerombol sering menyebabkan masalah pada proses penghitungan. Piksel beberapa ikan yang bergerombol menjadi satu, sehingga ketika dilakukan proses thresholding menghasilkan piksel hitam yang besar. Sedangkan piksel satu ekor ikan yang terpisah ketika dilakukan thresholding menghasilkan piksel hitam yang kecil. Tabel 5 menunjukkan beberapa contoh ikan yang bergerombol. Tabel 5. Contoh beberapa bentuk benih ikan lele bergerombol Gerombol 1
Hasil thresholding
Gerombol 2
Hasil thresholding
Gerombol 3
Hasil thresholding
Gerombol 4
Hasil thresholding
14 Berdasarkan pada penelitian yang telah dilakukan oleh Astika dkk (2013), jumlah benih dari sekelompok benih ikan yang bergerombol diprediksi berdasarkan luas dari sekelompok piksel hitam tersebut. Hasil penghitungan yaitu akumulasi dari jumlah semua kelompok piksel. Luas rata-rata dari satu ekor ikan perlu diketahui untuk menentukan rasio luas sekelompok benih ikan pada jumlah tertentu yang bergerombol dengan luas satu ekor benih ikan. Luas citra dari satu ekor benih ikan dan benih ikan yang bergerombol dapat diketahui dengan program Visual Basic. Tampilan program penghitungan luas dapat dilihat pada Gambar 10.
Gambar 10 Tampilan program penghitungan luas citra benih ikan Gambar di atas menunjukkan contoh program yang diterapkan untuk menghitung luas pada benih ikan lele ukuran 4-6 cm. Program pengolahan citra yang dibuat terdiri dari proses thresholding untuk kalibrasi dan proses penghitungan luas objek, keliling, dan rasio antara luas dengan keliling. Nilai threshold diinputkan secara manual. Proses thresholding dilakukan dengan mengklik tombol kalibrasi. Nilai thresholding yang digunakan berbeda untuk setiap jenis benih ikan berdasarkan dari hasil prediksi penentuan nilai thresholding pada metode yang telah dilakukan. Kalibrasi diperlukan untuk menentukan nilai threshold optimal dan rata-rata luas benih ikan yang digunakan sebagai dasar untuk penghitungan berikutnya. Nilai luas benih ikan per ekor dapat diketahui dengan mengklik koordinat benih tersebut berada kemudian mengklik perintah hitung sehingga tertera hasil penghitungan luas, keliling dan rasio luas dengan keliling satu ekor benih ikan. Ukuran satu ekor benih ikan dalam satu citra berbeda-beda, sehingga perlu diketahui rasio luas benih ikan terkecil dan benih ikan terbesar dengan luas benih ikan rata-rata. Luas benih ikan yang bergerombol dua dan tiga ekor dapat diketahui dengan metode yang sama dengan menentukan luas satu ekor pada program tersebut. Nilai luas benih ikan yang bergerombol digunakan untuk menentukan rasio antara luas benih ikan yang bergerombol dengan luas satu ekor
15 benih ikan. Nilai rasio luas benih ikan yang bergerombol dengan rata-rata luas satu ekor benih ikan dari beberapa jenis ikan dapat dilihat pada Tabel 6. Tabel 6 Rasio luas benih ikan bergerombol dengan luas satu ekor benih ikan No
Jenis ikan
Jumlah bergerombol
Jumlah ulangan
1 Patin 1"
1 2 3 4 1 2 3 1 2 3 4 1 2 3 1 2 3 4 1 2 3 4
67 20 10 5 65 30 25 69 26 22 10 51 24 22 124 20 15 5 120 44 24 5
2 Patin 0.5" 3 Lele
4 Mas
5 Gurame kuku
6 Gurame telur
Selang rasio luas dengan luas ratarata 1 ekor 0.46 - 1.48 1.53 - 2.47 2.52 - 3.35 3.42 - 4.13 0.53 - 1.34 1.62 - 2.23 2.31 - 3.59 0.66 - 1.34 1.43 - 2.27 2.31 - 3.23 3.33 - 4.9 0.71 - 1.23 1.34 - 2.38 2.40 - 3.64 0.61 - 1.43 1.55 - 2.41 2.48 - 3.96 3.98 - 5.25 0.73 - 1.47 1.69 - 2.5 2.52 - 4.8 4.83 - 7.88
Rata-rata rasio luas dengan 1 ekor 1 1.85 2.87 3.81 1 1.85 2.93 1 1.86 2.77 3.83 1 1.95 2.89 1 1.97 2.92 4.7 1 2.10 3.60 5.90
Batasan rasio luas yang dipakai 0.50 - 1.49 1.50 - 2.49 2.50 - 3.39 3.40 - 4.13 0.50 - 1.59 1.60 - 2.29 2.30 - 3.59 0.60 - 1.39 1.40 - 2.29 2.30 - 3.29 3.30 - 4.90 0.70 - 1.29 1.30 - 2.39 2.40 - 3.64 0.60 - 1.49 1.50 - 2.41 2.42 - 3.96 3.97 - 5.25 0.70 - 1.49 1.50 - 2.49 2.50 - 4.80 4.81 - 7.80
Tabel data rasio (Tabel 5) menunjukkan bahwa peningkatan rasio untuk benih bergerombol empat ekor pada benih ikan gurame nguku dan telur gurame tidak konsisten. Hal tersebut disebabkan benih ikan yang bergerombol empat ekor umumnya berada pada bagian pinggir nampan dan bercampur dengan bayangan pinggiran nampan (Gambar 11) sehingga luas piksel ikan yang bergerombol tersebut bertambah. Dalam satu citra seluruh nampan tidak selalu ditemukan adanya ikan yang bergerombol empat ekor karena posisi benih ikan yang berubahubah. Ulangan yang tidak cukup menyebabkan data nilai rasio yang dihasilkan tidak konsisten. Pada telur gurame satu butir telur mempunyai warna yang berbeda yaitu terdapat bagian yang cerah dan agak gelap. Telur yang bergerombol saling bersinggungan sehingga bayangan telur menutupi bagian telur lain yang berwarna cerah seperti pada Gambar 12. Hal tersebut menyebabkan luasan telur yang bergerombol mempunyai nilai rasio yang lebih besar.
16
benih ikan yang bergerombol empat ekor
Gambar 11 Contoh benih ikan yang bergerombol pada bagian pinggir
bergerombol empat butir
bergerombol tiga butir
Gambar 12 Contoh telur gurame yang bergerombol empat dan tiga ekor
Pengujian Program Pengujian program dilakukan setelah mengetahui rasio luasan benih ikan. Nilai rasio luasan yang diterapkan berbeda untuk setiap jenis ikan sesuai pada Tabel 6. Program penghitung benih ikan yang telah dibuat oleh Astika (2013) terdiri dari dua jenis yaitu program A dan program B. Cara kerja kedua program tersebut berbeda mengacu pada metode penentuan nilai thresholding. Pengujian Program A Program A menggunakan cara 1 untuk menentukan nilai threshold. Thresholding ditentukan berdasarkan persentil nilai threshold citra ikan dan dilakukan pada proses kalibrasi. Program A menggunakan persentil threshold
17 yang mengacu pada nilai persentil threshold citra benih ikan (Tabel 4). Nilai rasio luas mengacu pada Tabel 6. Tampilan program penghitungan benih ikan dapat dilihat pada Gambar 13.
Gambar 13 Tampilan program penghitungan benih ikan Gambar di atas menunjukkan contoh program yang digunakan untuk menghitung benih ikan lele. Proses thresholding dilakukan dengan perintah kalibrasi. Pada citra benih ikan lele tersebut masih terdapat bayangan nampan akibat arah cahaya datang. Bagian gelap tersebut dihapus secara manual dengan hanya menghitung benih ikan yang berada di luar koordinat nampan yang berwarna gelap. Pada proses kalibrasi program akan menelusuri piksel demi piksel untuk mengetahui rata-rata luas satu ekor benih ikan dan menghitung jumlah benih yang digunakan sebagai acuan untuk penghitungan benih selanjutnya. Proses penghitungan benih dilakukan dengan mengklik tombol hitung, program akan menelusuri kembali piksel demi piksel berdasarkan hasil kalibrasi untuk menghitung jumlah benih. Hasil penghitungan jumlah benih ikan ditampilkan pada Gambar 14. Hasil penghitungan oleh program dari jumlah ikan 20 ekor adalah 18 ekor kurang dari jumlah sebenarnya. Kesalahan sebesar dua ekor disebabkan pada citra tersebut terdapat dua ekor benih yang bergerombol, namun ukuran benih tersebut lebih kecil dibandingkan ukuran benih yang dominan sehingga dua ekor benih yang bergerombol tersebut dapat dikenali sebagai satu ekor benih ikan.
18
Gambar 14 Hasil penghitungan benih ikan lele Posisi ikan yang berada di tepi nampan menyebabkan hasil penghitungan melebihi jumlah ikan yang sebenarnya seperti pada Gambar 15. Jumlah benih 40 ekor pada program terhitung 43 ekor. Hal tersebut disebabkan terdapat benih ikan yang menempati bagian ujung nampan yang berwarna gelap sehingga bagian ujung nampan tersebut ikut terbaca sebagai piksel ikan.
bayangan nampan
Gambar 15 Hasil penghitungan pada citra dengan ikan yang berada di pinggir nampan
19 Pengujian program dilakukan pada beberapa jenis ikan, akurasi hasil penghitungan pada beberapa jenis ikan dapat dilihat pada Tabel 7. Tabel 7 Akurasi pengujian program penghitung ikan No
Jenis ikan
Jumlah ikan 26 40 40 50 50 53 57 115 115 115
Terhitung
Akurasi (%)
Telur gurame
Persentil threshold 90
1
30 38 36 57 62 68 63 122 124 138
2
Rata-rata Lele
70
20 20 30 30 40 40 50 50 60 60
18 19 33 31 50 48 56 56 63 66
3
Rata-rata Gurame kuku
50
10 20 20 30 30 40 50 50 60 60
11 26 22 33 33 44 57 55 81 78
86.67 95.00 90.00 87.72 80.65 77.94 90.48 94.26 92.74 83.33 87.88 90.00 95.00 90.91 96.77 80.00 83.33 89.29 89.29 95.24 90.91 90.07 90.91 76.92 90.91 90.91 90.91 90.91 87.72 90.91 74.07 76.92 86.11
Rata-rata
20 No
Jenis ikan
Jumlah ikan 23 25 25 35 35 40 40 50 50 50
Terhitung
Akurasi (%)
Gurame gabah
Persentil threshold 75
4
26 31 31 38 40 44 49 57 56 61
Rata-rata Patin 1"
70
50 50 50 50 70 85 95 100 100 100
63 62 55 67 81 92 102 81 86 83
88.46 80.65 80.65 92.11 87.50 90.91 81.63 87.72 89.29 81.97 86.09 79.37 80.65 90.91 74.63 86.42 92.39 93.14 81.00 86.00 83 84.75
5
Rata-rata
Penghitungan benih lele menunjukkan akurasi tertinggi karena kecerahan citra pada benih lele relatif stabil dan bayangan pada pinggir nampan tidak terlalu berpengaruh. Akurasi yang baik juga ditunjukkan pada penghitungan telur gurame, hal tersebut disebabkan ukuran telur relatif seragam dan posisi telur dalam nampan tidak berubah ubah. Akurasi yang tidak stabil pada setiap jumlah ikan disebabkan setiap citra yang diolah mempunyai karakteristik yang berbeda. Dalam beberapa citra terdapat jumlah benih ikan yang bergerombol lebih dari empat ekor. Program yang dirancang belum mampu menghitung secara detil benih ikan yang bergerombol dalam jumlah banyak. Formulasi rasio untuk benih ikan yang bergerombol lebih dari empat ekor belum ditemukan. Pada setiap citra sulit untuk ditemukan benih ikan yang bergerombol dalam jumlah tertentu, sehingga data luas untuk benih bergerombol lebih dari empat ekor tidak mencukupi. Pengambilan citra untuk mendapatkan benih ikan yang bergerombol dalam jumlah tertentu cenderung sulit dilakukan karena posisi ikan pada nampan berubah ubah dan sulit diatur. Pada jenis dan jumlah ikan yang sama dengan menggunakan nilai threshold yang sama memiliki hasil penghitungan berbeda-beda. Hal tersebut disebabkan kondisi kecerahan citra yang berbeda-beda. Nilai threshold untuk setiap jenis ikan berbeda sehingga nilai threshold yang ditentukan tidak berlaku umum untuk semua jenis ikan. Oleh karena itu dilakukan pengujian program dengan metode berbeda dalam menentukan nilai threshold.
21 Pengujian Progran B Program B menggunakan cara 2 dalam menentukan nilai threshold yaitu dengan mengklik citra benih ikan yang digunakan sebagai patokan sehingga diperoleh RGB piksel patokan. Pada proses thresholding program akan menelusuri setiap piksel ikan yang mempunyai warna berdekatan dengan warna benih ikan patokan. Tampilan program pengolahan citra dapat dilihat pada Gambar 16.
Gambar 16 Tampilan program pengolahan citra Tombol klik citra ikan digunakan untuk memilih benih ikan yang digunakan sebagai patokan dalam menentukan nilai threshold, kemudian proses thresholding dilakukan pada perintah kalibrasi. Pada proses kalibrasi sejumlah benih ikan diproses untuk mengetahui ukuran rata-rata ikan. Sejumlah benih yang digunakan untuk kalibrasi ditentukan dengan mengklik tombol koordinat kalibrasi. Pada proses penghitungan program akan menelusuri setiap piksel ikan yang memenuhi kondisi jarak warna (R) ≤ jarak patokan (Jp) berdasarkan hasil kalibrasi sehingga dihitung sebagai piksel ikan. Jarak patokan yang ditentukan pada program tersebut yaitu 50. Nilai rasio luas ikan bergerombol dengan satu ekor benih yang digunakan disesuaikan berdasarkan jenis ikan, mengacu pada Tabel 6. Akurasi pengujian program untuk menghitung benih ikan gurame ukuran kuku dapat dilihat pada Tabel 8. Akurasi pengujian program untuk menghitung jenis benih ikan yang lain dapat dilihat pada Lampiran 2.
22 Tabel 8 Akurasi pengujian program penghitung benih ikan gurame kuku No
Jumlah Ikan
Hasil Penghitungan
Akurasi (%)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 Rata-rata
10 10 20 20 30 30 40 40 50 50 60 60 100 100
10 10 20 20 35 32 40 50 51 54 53 63 116 116
100.00 100.00 100.00 100.00 85.71 93.75 100.00 80.00 98.03 92.59 88.33 95.23 86.20 86.20 93.29
Rata-rata akurasi tersebut tergolong tinggi. Pada jumlah ikan yang semakin banyak akurasi semakin kecil karena pada jumlah ikan yang banyak ikan yang bergerombol semakin banyak, sedangkan program baru dapat menghitung secara detil pada jumlah ikan yang bergerombol kurang dari empat ekor. Penghitungan benih ikan dengan program B menunjukkan akurasi yang lebih tinggi daripada nilai akurasi menggunakan program A. Dengan menggunakan nilai warna patokan benih ikan sebagai batas thresholding maka warna ikan patokan pada setiap citra akan berubah-ubah sesuai kondisi kecerahan citra sehingga batas thresholding berubah secara otomatis mengikuti perubahan warna ikan patokan. Penelitian yang telah dilakukan Saksanni (2008) menunjukkan akurasi penghitungan 61.79% - 87.78%. Akurasi penghitungan yang diperoleh pada penelitian kali sebesar 84.75% - 90.07% untuk program A dan 84.67% - 93.29% untuk program B. Akurasi penghitungan pada penelitian kali ini lebih baik daripada penelitian Saksanni (2008). Pada penelitian Saksanni (2008) nilai thresholding ditentukan dengan metode trial and error sedangkan pada penelitian ini nilai thresholding ditentukan dengan persentil grey scale citra benih ikan dan menunjuk warna patokan citra benih ikan. Pada penelitian kali ini pengambilan data dilakukan pada pencahayaan alami. Pada penelitian Adhi (2011) pengambilan data dilakukan pada pencahayaan terkondisi sehingga menghasilkan kesalahan pengitungan yang rendah yaitu 3% - 14%.
23 SIMPULAN DAN SARAN Simpulan Beberapa kesimpulan yang dapat diperoleh dari penelitian ini adalah: 1. Nilai threshold ditentukan dengan dua cara yaitu menggunakan persentil grey scale citra benih ikan dan menunjuk warna patokan citra benih ikan. Jenis ikan yang berbeda mempunyai persentil nilai threshold yang berbeda karena setiap jenis ikan mempunyai karakteristik warna, bentuk, dan ukuran yang berbeda. Nilai persentil threshold untuk benih ikan gurame gabah adalah 75. Nilai persentil threshold untuk benih ikan lele 3-4 cm, nila 1 cm, dan patin 1" adalah 70. Nilai persentil threshold untuk benih ikan mas 5 cm dan gurame kuku adalah 50. Telur gurame mempunyai nilai persentil threshold 90 dan benih nila merah 3 cm mempunyai nilai persentil threshold 25. 2. Cara ke-2 yaitu dengan menunjuk warna patokan citra benih ikan sebagai nilai threshold. Nilai threshold ditentukan berdasarkan warna piksel citra ikan yang menjadi patokan pada proses kalibrasi. Pada proses kalibrasi citra ikan diklik sehingga diperoleh RGB piksel tersebut (Rp, Gp, Bp). Citra ikan berada pada selang tertentu dari piksel patokan tersebut, di luar selang tersebut maka dianggap latar belakang (nampan). 3. Rasio luas citra benih ikan yang bergerombol memiliki nilai yang berbedabeda untuk setiap jenis ikan. Rasio telur yang bergerombol cenderung lebih besar daripada rasio benih ikan yang bergerombol. 4. Nilai persentil threshold yang ditentukan dengan cara 1 kemudian diterapkan pada program A. Penghitungan dengan program A pada benih ikan lele memiliki akurasi 90.07%, patin 1" 84.75%, gurame kuku 86.11%, gurame gabah 86.09%, dan telur gurame 83.33%. 5. Suatu program lain, yaitu program B telah dijalankan untuk menguji cara ke-2 dalam menentukan nilai threshold. Penghitungan dengan program B pada benih ikan nila memiliki akurasi 93.33%, patin 1" 90.00%, lele 80.65%, gurame kuku 93.29 %, gurame kwaci 89.82%, gurame gabah 84.90%, dan telur gurame 91.72%. Akurasi penghitungan benih ikan pada program B lebih tinggi daripada program A. Nilai threshold berdasarkan warna citra ikan patokan pada dapat berubah sesuai kondisi kecerahan citra sehingga batas thresholding berubah secara otomatis mengikuti perubahan warna citra ikan patokan. 6. Kelemahan dari program penghitung benih ikan yang dirancang yaitu belum mampu menghitung secara detil pada benih dan telur ikan yang bergerombol dalam jumlah banyak dan belum dapat memisahkan antara objek dengan bayangan pada pinggiran nampan. Penentuan nilai threshold dengan persentil grey scale citra benih ikan pada kecerahan objek yang berbeda-beda mempengaruhi hasil thresholding dan hasil penghitungan benih ikan. Jarak patokan pada penentuan nilai threshold dengan menunjuk warna patokan citra benih ikan belum optimal diterapkan pada semua jenis ikan.
24 Saran Program penghitungan benih ikan yang dirancang belum mampu menghitung secara detil pada ikan yang bergerombol dengan jumlah lebih dari empat ekor sehingga diperlukan adanya pengembangan metode penghitungan benih ikan dengan pengolahan citra yang mampu menghitung secara detil piksel ikan yang bergerombol. Tingkat kecerahan objek yang berbeda masih menjadi kendala dalam penelitian ini sehingga perlu adanya pengembangan metode penentuan nilai threshold yang sesuai dan dapat mengatasi efek pencahayaan yang tidak konstan.
DAFTAR PUSTAKA Adhi MZ. 2011. Pengembangan Metode Penghitungan Benih Ikan Lele dengan Pengolahan Citra dan Metode Timbang [skripsi]. Bogor: Institut Pertanian Bogor. Ahmad U. 2005. Pengolahan Citra dan Teknik Pemrograman. Yogyakarta: Graha Ilmu. Astika IW. 2013. Pengembangan Alat Penghitung Ikan dengan Metode Pengolahan Citra: Tipe Stasioner dan Terpasang pada Telepon Seluler (Tahun ke-1). Laporan Penelitian Unggulan Strategis Nasional Kemendikbud, Lembaga Penelitian dan Pengabdian kepada Masyarakat. IPB. Astika IW, Adhi MZ, Mulyanti F. 2013. Image Processing Method for Counting of Fish Eggs and Fish Juveniles. International Symposium on Agricultural and Biosystem Engineering, Yogyakarta Augustus 28-29, 2013. Munir R. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik. Bandung: Informatika. Nugroho E, Kristanto AH. 2008. Panduan Lengkap Ikan Konsumsi Air Tawar Populer. Jakarta: Penebar Swadaya. Prabawa S, Pramudya B, Astika IW, Setiawan RPA, Rustiadi E. 2009. Sistem Informasi Geografis dalam Pertanian Presisi Aplikasi pada Kegiatan Pemupukan di Perkebunan Tebu. Makalah pada Seminar Nasional Himpunan Informatika Pertanian Indonesia (HIPI). Bogor. Rahmat A. 2006. Rancang Bangun Instrumen Sortir Ikan Otomatis (Automatic Fish Grading) dengan Metode Pengolahan Citra Digital. Laporan Akhir Penelitian Dosen Muda IPB. Institut Pertanian Bogor. Saksanni R. 2008. Pemutuan dan Penghitungan Bibit Ikan Lele dengan Metode Image Processing Menggunakan Parameter Luas dan Panjang Tubuh Ikan [skripsi]. Bogor: Institut Pertanian Bogor. Santosa. 2005. Aplikasi Visual Basic 6.0 dan Visual Studio. Net 2003 dalam Bidang Teknik dan Pertanian. Yogyakarta : ANDI. Seminar KB. 2000. The Design of Baby Fish Counter with Parallel Sensors. Bogor: Teknik Pertanian, IPB.
25
LAMPIRAN
26 Lampiran 1 Nilai persentil threshold beberapa jenis ikan Jenis ikan Telur
Lele
Mas
Nila 1cm
Ulangan 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
Persentil threshold 90 90 90 90 90 90 90 90 90 90 70 70 70 70 70 70 70 70 70 70 50 50 50 50 50 50 50 50 50 50 70 70 70 70 70 70 70 70 70 70
Persentil citra seluruh nampan 40 40 50 40 40 40 40 40 50 40 5 6 5 5 7 5 7 5 5 5 8 10 10 12 8 9 10 10 8 10 2 2 2 3 3 2 2 2 2 3
Iluminansi (lux) 455 455 455 455 478 478 478 478 480 461 451 451 451 489 489 489 494 485 485 485 680 771 771 841 712 712 712 712 786 786 469 469 469 477 481 471 471 471 478 478
27 Jenis ikan Ulangan Nila 3 cm
Patin 1"
1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
Persentil threshold 25 25 25 25 25 25 25 25 25 25 70 70 70 70 70 70 70 70 70 70
Persentil citra seluruh nampan 2 2 2 2 2 3 3 3 2 2 4 4 4 4 3 5 5 6 6 6
Iluminansi (lux) 480 480 480 491 491 515 520 520 502 502 778 778 778 790 790 845 900 957 957 988
28 Lampiran 2 Akurasi pengujian penghitung benih ikan pada bebepara jenis ikan Jenis ikan Nila 3 cm
Rata-rata Patin 1"
Rata-rata Lele
Rata-rata Gurame kwaci
Rata-rata
Ulangan 1 2 3 4 5 6 7 8 9 10
Jumlah ikan 9 11 16 15 15 15 15 15 15 15
Hasil penghitungan 7 9 15 14 10 14 14 9 14 14
1 2 3 4 5 6 7 8 9 10
45 40 40 40 40 50 50 50 50 50
40 30 36 32 38 38 53 51 42 45
1 2 3 4 5 6 7 8 9 10
10 10 20 20 30 30 40 40 50 50
10 10 20 21 39 33 49 47 57 62
1 2 3 4 5 6 7 8 9 10
10 10 30 30 50 50 60 60 100 100
10 10 34 37 54 63 60 71 116 116
Akurasi % 77.78 81.82 93.75 93.33 66.67 93.33 93.33 60.00 93.33 93.33 84.67 88.89 75.00 90.00 80.00 95.00 76.00 94.34 98.04 84.00 90.00 87.13 100.00 100.00 100.00 95.24 76.92 90.91 81.63 85.11 87.72 80.65 89.82 100.00 100.00 88.24 81.08 92.59 79.37 100.00 84.51 86.21 86.21 89.82
29 Jenis ikan Gurame gabah
Rata-rata Telur gurame
Rata-rata
Ulangan Jumlah ikan 1 44 2 51 3 16 4 49 5 49 6 49 7 49 8 36 9 47 10 46 1 2 3 4 5 6 7 8 9 10
30 50 70 110 130 150 170 190 210 250
Hasil penghitungan 31 41 13 51 51 51 55 38 67 39 31 52 74 133 137 155 190 203 244 290
Akurasi % 70.45 80.39 81.25 96.08 96.08 96.08 89.09 94.74 70.15 84.78 85.90 96.77 96.15 94.59 82.71 94.89 96.77 89.47 93.59 86.06 86.21 91.72
30
RIWAYAT HIDUP Penulis dilahirkan di Wonosobo, Jawa Tengah pada tanggal 23 September 1992 sebagai anak pertama dari dua bersaudara atas pasangan Sardiman Marto Raharjo dan Tukinah, S.Pd. Penulis menamatkan Sekolah Dasar di SDN 2 Wonoroto, Watumalang, Kabupaten Wonosobo pada tahun 2003 dan menamatkan Sekolah Menengah Pertama di SMPN 1 Watumalang, Kabupaten Wonosobo pada tahun 2006. Tahun 2009 penulis lulus SMA Negeri 2 Wonosobo dan lolos seleksi masuk Institut Pertanian Bogor melalui jalur Undangan Seleksi Masuk IPB dan diterima di Departemen Teknik Pertanian (sekarang bernama Teknik Mesin dan Biosistem), Fakultas Teknologi Pertanian. Pada bulan Juni-Agustus 2012 penulis melakukan Praktik Lapangan di PT Perkebunan Tambi Wonosobo dengan judul : Aspek Keteknikan pada Proses Budidaya, Pemetikan, dan Pengangkutan Teh di PT Perkebunan Tambi. Sebagai salah satu syarat memperoleh gelar Sarjana Teknologi Pertanian, penulis menyelesaikan skripsi dengan judul : Pemilihan Parameter Pengolahan Citra yang Optimal untuk Penghitungan Benih dan Telur Ikan dibawah bimbingan Dr Ir I Wayan Astika, M.Si.
