PENGEMBANGAN METODE PENGUKURAN WARNA MENGGUNAKAN KAMERA CCD (CHARGE COUPLED DEVICE) DAN IMAGE PROCESSING SKRIPSI

PENGEMBANGAN METODE PENGUKURAN WARNA MENGGUNAKAN KAMERA CCD (CHARGE COUPLED DEVICE) DAN IMAGE PROCESSING

SKRIPSI

RIRIN NURMAWATI F14070018

FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR BOGOR 2011

DEVELOPMENT OF THE COLOR MEASUREMENT METHOD WITH CCD (CHARGE COUPLED DEVICE) CAMERA AND IMAGE PROCESSING Usman Ahmad dan Ririn Nurmawati Department of Mechanical and Biosystem Engineering, Faculty of Agricultural Technology, Bogor Agricultural University, IPB Dramaga Campus,PO BOX 220, Bogor, West Java, Indonesia. Phone: 62 251 8624622, e-mail: [email protected]

ABSTRACT One method that can be used in the measurement of color is with a CCD camera and image processing. The research objective was to develop an image processing algorithms for measuring color of horticultural products and compare the results of color measurement image processing methods with Chromameter. Object image was recorded in size of 744 × 480 pixels with 256 levels of light intensity of red, green and blue (RGB). The object image then was stored in a file with a bitmap format. The image processing Lab value was compared with Chromameter Lab value using a linear equation model. Coefficient of determination for Lab values for carrots on black color background were 0.827, 0.820, 0.826, respectively and on chayote were 0.905, 0.813, and 0.867 respectively. As for the white background, the coefficient of determination for carrots were 0.548, 0.786, 0.749, and for chayote were 0.793, 0.802, and 0.779. This occured because on the black color, all the spectrum of light was absorbed, therefore received energy of radiation in the black color became larger by increasing absorbed light specrum. In contrast, the white color reflected light spectrum. In addition there was interaction effect of light on the object being measured, such as reflection, absorption, distribution and shadow as a result of light blocking by the object. The quality of light and brightness levels that varied also affected the value of brightness.

Keywords: CCD camera, image processing, Chromameter, RGB, light spectrum

RIRIN NURMAWATI. F14070018. Pengembangan Metode Pengukuran Warna Menggunakan Kamera CCD (Charge Coupled Device) dan Image Processing. Di bawah bimbingan Usman Ahmad. 2011

RINGKASAN

Peran serta teknologi sangat dibutuhkan, terutama untuk kegiatan pascapanen pertanian. Saat ini teknologi pascapanen produk hortikultura semakin maju dan berbagai penanganan pascapanen semakin baik dalam meningkatkan kualitas mutu produk. Berbagai uji dilakukan untuk meningkatkan dan mengetahui kualitas dari suatu produk agar produk diterima di pasaran. Salah satu pengujian yang sering dilakukan pada produk pertanian adalah warna. Warna merupakan parameter yang sering dilakukan pada kegiatan panen, sortasi, grading dan lain-lain. Salah satu metode yang dapat digunakan dalam pengukuran warna adalah menggunakan kamera CCD dan image processing. Tujuan penelitian ini adalah menyusun algoritma image processing untuk pengukuran warna produk hortikultura dan membandingkan hasil pengukuran warna metode image processing dengan Chromameter. Penelitian dilaksanakan di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian pada bulan Maret sampai Juli 2011. Pengambilan citra dilakukan pada salah satu sisi objek yaitu wortel dan labu menggunakan latar belakang warna hitam dan pada latar belakang warna putih. Objek diletakkan di atas kain hitam atau putih sebagai alas dan di bawah kamera CCD dengan jarak 20 cm. Kamera diletakkan dibagian tengah silinder, sedangkan lampu LED sebanyak 8 buah diletakkan dibagian atas silinder secara melingkar. Intensitas reflektan objek ditangkap oleh sensor kamera CCD melalui lensa dan ditampilkan di monitor komputer yang dihubungkan dengan kamera. Citra objek direkam dalam ukuran 744 x 480 pixel dengan 256 tingkat intensitas cahaya merah, hijau dan biru (RGB). Citra objek yang telah direkam kemudian disimpan dalam sebuah file dengan format bitmap (.bmp). Pengolahan citra wortel dan labu dilakukan dengan program yang dibangun menggunakan bahasa pemrograman SharpDevelop 3.2. Program yang dibuat memiliki kemampuan untuk menghitung nilai warna merah, warna hijau dan warna biru pada objek serta menghasilkan informasi model warna Lab. Hasil pengukuran warna menggunakan Chromameter dinyatakan dalam CIE L*a*b* yang dicirikan dengan notasi L, a, b. Pengukuran dilakukan tiga kali pada tiga titik yang berbeda pada salah satu sisi objek. Pembandingan nilai Lab pengolahan citra dari parameter nilai Lab Chromameter dengan menggunakan model persamaan linier menghasilkan koefisien determinasi berturut-turut untuk latar belakang warna hitam pada wortel adalah 0.827, 0.820, 0.826, dan pada labu koefisien determinasinya adalah 0.905, 0.813, dan 0.867. Sedangkan untuk latar belakang warna putih menghasilkan koefisien determinasi berturut-turut untuk Lab wortel adalah 0.548, 0.786, 0.749, dan pada labu adalah 0.793, 0.802, dan 0.779. Hal ini terjadi karena pada warna hitam, semua spektrum cahaya diserap, oleh karena itu energi radiasi yang diterima pada warna hitam menjadi semakin besar seiring bertambahnya spekrum cahaya yang diserap. Sebaliknya, pada warna putih semua spektrum cahaya dipantulkan. Selain itu terdapat pengaruh interaksi cahaya terhadap objek yang sedang diukur, seperti pantulan, serapan, penyebaran dan bayangan sebagai akibat cahaya yang dihalangi oleh bagian objek tertentu. Kualitas lampu dan tingkat kecerahan yang berbeda-beda juga mempengaruhi nilai kecerahan.

PENGEMBANGAN METODE PENGUKURAN WARNA MENGGUNAKAN KAMERA CCD (CHARGE COUPLED DEVICE) DAN IMAGE PROCESSING

SKRIPSI Sebagai salah satu syarat untuk memperoleh gelar SARJANA TEKNOLOGI PERTANIAN Pada Departemen Teknik Mesin dan Biosistem, Fakultas Teknologi Pertanian, Institut Pertanian Bogor

Oleh RIRIN NURMAWATI F14070018

FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR BOGOR 2011

Judul Skripsi Nama NIM

: Pengembangan Metode Pengukuran Warna Menggunakan Kamera CCD (Charge Coupled Device) dan Image Processing : Ririn Nurmawati : F14070018

Menyetujui, Pembimbing Akademik,

Dr. Ir. Usman Ahmad, M. Agr NIP. 19661228 199203 1 003

Mengetahui: Ketua Departemen,

Dr. Ir. Desrial, M. Eng NIP. 19661201 199103 1 004

Tanggal lulus:

PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI

Saya menyatakan dengan sebenar-benarnya bahwa skripsi dengan judul Pengembangan Metode Pengukuran Warna Menggunakan Kamera CCD (Charge Coupled Device) dan Image Processing adalah hasil karya saya sendiri dengan arahan Dosen Pembimbing Akademik, dan belum diajukan dalam bentuk apapun pada perguruan tinggi manapun. 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.

Bogor, Agustus 2011 Yang membuat pernyataan

Ririn Nurmawati F14070018

BIODATA PENULIS

Ririn Nurmawati. Lahir di Klaten, 24 Mei 1989 dari ayah Mastuji dan ibu Siti Komsati, sebagai putri kedua dari tiga bersaudara. Penulis menamatkan SMA pada tahun 2007 dari SMA Muhammadiyah 1 Klaten, dan pada tahun yang sama diterima di IPB melalui jalur Undangan Seleksi Masuk IPB. Penulis memilih Program Studi Teknik Pertanian, Departemen Teknik Mesin dan Biosistem, Fakultas Teknologi Pertanian. Selama mengikuti perkuliahan, penulis aktif dalam berbagai kegiatan dan organiasasi antara lain Badan Eksekutif Mahasiswa (BEM) Fateta sebagai anggota divisi Pengembangan Sumber Daya Manusia (PSDM) pada tahun 2009 dan Organisasi Mahasiswa Daerah Klaten pada tahun 2007-2011. Selain itu, penulis pernah menjadi asisten praktikum mata kuliah Termodinamika dan Pindah Panas pada tahun 2011. Penulis melaksanakan Praktik Lapangan pada tahun 2010 di Pusat Pelatihan Kewirausahaan Sampoerna PT. HM. Sampoerna Tbk, Pasuruan, Jawa Timur dengan judul Aspek Keteknikan Dalam Pengolahan Dan Pengemasan Minuman Herbal Instan Di Pusat Pelatihan

Kewirausahaan

Sampoerna

(PPKS)

PT.

HM.

Sampoerna

Tbk.

KATA PENGANTAR

Puji dan syukur dipanjatkan ke hadapan Allah SWT atas karuniaNya sehingga skripsi ini berhasil diselesaikan. Penelitian dengan judul Pengembangan Metode Pengukuran Warna Menggunakan Kamera CCD (Charge Coupled Device) dan Image Processing dilaksanakan di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian, Departemen Teknik Mesin dan Biosistem sejak bulan Maret sampai Juli 2011. Dengan telah selesainya penelitian hingga tersusunnya skripsi ini, penulis ingin menyampaikan penghargaan dan terima kasih sebesar-besarnya kepada: 1. Ayahanda dan ibunda tercinta, Mas Nuri, Riris serta semua keluarga atas segala dukungan, perhatian dan kasih sayang kepada penulis. 2. Dr. Ir. Usman Ahmad, M.Agr. selaku dosen pembimbing akademik atas bimbingannya. 3. Dr. Ir. Wawan Hermawan, MS. Dan Dr. Ir. Lilik Pujantoro, M.Agr. selaku dosen penguji. 4. Dedy Wirawan Sudibyo, S.TP, M.Si atas bantuan dan bimbingannya kepada penulis. 5. Arie Wijayanto, S.Si sekeluarga atas bantuan dan dukungannya kepada penulis. 6. Segenap staf dan karyawan di Departemen Teknik Mesin dan Biosistem. 7. Teman-teman Pondok Asad atas dukungan moril dan spiritualnya kepada penulis. 8. Mudho Saksono, Aditya Putri B, Suherman, Dewi Isti’anah, Mila Sophia, Dhias Tanaya, Ani Fatmawati, Imanta Joi dan temen-temen TPPHP lainnya yang tidak bisa disebutkan penulis satu persatu atas bantuan dan dukungannya kepada penulis. 9. Teman-teman Keluarga Mahasiswa Klaten (KMK) atas kebersamaan dan dukungannya. 10. Fajar Nury Nuryanto yang telah memberikan dukungan dan semangat kepada penulis, dan 11. Teman-teman Teknik Pertanian angkatan 44. Akhirnya penulis berharap semoga tulisan ini bermanfaat dan memberikan kontribusi yang nyata terhadap perkembangan ilmu pengetahuan di bidang Teknik Pertanian.

Bogor, Agustus 2011

Ririn Nurmawati

DAFTAR ISI Halaman KATA PENGANTAR ................................................................................................................. v DAFTAR ISI ................................................................................................................................ vi DAFTAR TABEL ........................................................................................................................ vii DAFTAR GAMBAR ................................................................................................................... viii DAFTAR LAMPIRAN ................................................................................................................ ix I. PENDAHULUAN ................................................................................................................... 1 1.1 Latar Belakang .................................................................................................................. 1 1.1 Tujuan ............................................................................................................................. 2 II. TINJAUAN PUSTAKA ......................................................................................................... 3 2.1 Sifat Optik Bahan Pertanian ............................................................................................ 3 2.2 Metode Pengukuran Warna ............................................................................................. 5 2.2.1 Spektrophotometer ................................................................................................ 5 2.2.2 Colorimeter/Chromameter .................................................................................... 6 2.2.3 Kamera ................................................................................................................. 6 2.2.4 Chromaticity CIE 1931 ......................................................................................... 7 2.2.5 Sistem Warna Munsell .......................................................................................... 9 2.2.6 Sistem Warna Hunter (Lab) .................................................................................. 10 2.3 Image Processing ............................................................................................................ 11 2.4 Pengolahan Warna ........................................................................................................... 13 III. METODOLOGI PENELITIAN ............................................................................................ 15 3.1 Waktu dan Tempat ........................................................................................................... 15 3.2 Bahan dan Alat ................................................................................................................ 15 3.2.1 Bahan .................................................................................................................... 15 3.2.2 Alat ....................................................................................................................... 15 3.3 Prosedur Penelitian .......................................................................................................... 16 3.3.1 Penyusunan Algoritma Image Processing ............................................................ 16 3.3.2 Pengambilan Citra ................................................................................................. 16 3.3.3 Pengolahan Citra ................................................................................................... 17 3.3.4 Pengukuran Warna dengan Chromameter ............................................................ 17 3.3.5 Pengolahan Data ................................................................................................... 18 IV. HASIL DAN PEMBAHASAN .............................................................................................. 20 4.1 Program Pengolahan Citra untuk Pengukuran Warna pada Produk Hortikultura ............ 20 4.2 Pengukuran Warna dengan Teknik Image Processing pada Latar Belakang Warna Hitam ................................................................................................................................ 25 4.2.1 Pengukuran Warna pada Wortel ........................................................................... 25

iv

4.2.2 Pengukuran Warna pada Labu .............................................................................. 27 4.3 Pengukuran Warna dengan Teknik Image Processing pada Latar Belakang Warna Putih .................................................................................................................................. 29 4.3.1 Pengukuran Warna pada Wortel ........................................................................... 29 4.3.2 Pengukuran Warna pada Labu .............................................................................. 31 V. KESIMPULAN DAN SARAN ............................................................................................... 34 5.1 Kesimpulan ....................................................................................................................... 34 5.2 Saran ................................................................................................................................. 34 DAFTAR PUSTAKA .................................................................................................................. 35 LAMPIRAN ................................................................................................................................. 37

v

DAFTAR TABEL

Halaman Tabel 1. Hubungan antara spektrum warna dan panjang gelombang sinar tampak ................................... 4 Tabel 2. Model warna dan deskripsinya .................................................................................................... 13 Tabel 3. Interpretasi dari nilai r2................................................................................................................ 19

vi

DAFTAR GAMBAR Halaman Gambar 1.

Visible spectrum ......................................................................................................... 4

Gambar 2.

Pencampuran warna aditif dan warna subtraktif ......................................................... 5

Gambar 3.

Kurva warna utama ..................................................................................................... 7

Gambar 4.

Diagram chromaticity .................................................................................................. 8

Gambar 5.

Warna campuran pada diagram chromaticity .............................................................. 9

Gambar 6.

Bola warna Munsell..................................................................................................... 10

Gambar 7.

Diagram warna L*a*b* ............................................................................................... 11

Gambar 8.

Wortel dan labu yang digunakan sebagai objek .......................................................... 15

Gambar 9.

Skema pengambilan dan pengolahan citra digital ....................................................... 16

Gambar 10.

Seperangkat penangkap citra dan penyimpanan citra .................................................. 17

Gambar 11.

Sistem pengukuran pada Chromameter ....................................................................... 18

Gambar 12.

Chromameter Minolta CR 400 sisi layar dan sisi samping ......................................... 18

Gambar 13.

Diagram alir proses pengukuran warna ....................................................................... 19

Gambar 14.

Citra wortel dengan latar belakang hitam, citra wortel dengan latar belakang putih,citra labu dengan latar belakang hitam, dan citra labu dengan latar belakang putih ............................................................................................................. 20

Gambar 15.

Tampilan layar komputer pada saat citra warna ditransformasikan ke citra biner dan perhitungan warna RGB, XYZ, dan Lab untuk wortel dengan latar belakang hitam .................................................................................................... 22

Gambar 16.

Tampilan layar komputer pada saat citra warna ditransformasikan ke citra biner dan perhitungan warna RGB, XYZ, dan Lab untuk wortel dengan latar belakang putih ..................................................................................................... 22

Gambar 17.

Tampilan layar komputer pada saat citra warna ditransformasikan ke citra biner dan perhitungan warna RGB, XYZ, dan Lab untuk labu dengan latar belakang hitam ............................................................................................................ 23

Gambar 18.

Tampilan layar komputer pada saat citra warna ditransformasikan ke citra biner dan perhitungan warna RGB, XYZ, dan Lab untuk labu dengan latar belakang putih ............................................................................................................. 23

Gambar 19.

Tampilan hasil penyimpanan pengukuran warna ........................................................ 24

Gambar 20.

Hubungan antara nilai L hasil perhitungan wortel latar belakang hitam pengolahan citra dengan Chromameter ....................................................................... 25

Gambar 21.

Hubungan antara nilai a hasil perhitungan wortel latar belakang hitam pengolahan citra dengan Chromameter ....................................................................... 26

Gambar 22.

Hubungan antara nilai b hasil perhitungan wortel latar belakang hitam pengolahan citra dengan Chromameter ....................................................................... 26

vii

Gambar 23.

Hubungan antara nilai L hasil perhitungan labu latar belakang hitam pengolahan citra dengan Chromameter ....................................................................... 27

Gambar 24.

Hubungan antara nilai a hasil perhitungan labu latar belakang hitam pengolahan citra dengan Chromameter ....................................................................... 28

Gambar 25.

Hubungan antara nilai b hasil perhitungan labu latar belakang hitam pengolahan citra dengan Chromameter ....................................................................... 28

Gambar 26.

Hubungan antara nilai L hasil perhitungan wortel latar belakang putih pengolahan citra dengan Chromameter ....................................................................... 30

Gambar 27.

Hubungan antara nilai a hasil perhitungan wortel latar belakang putih pengolahan citra dengan Chromameter ....................................................................... 30

Gambar 28.

Hubungan antara nilai b hasil perhitungan wortel latar belakang putih pengolahan citra dengan Chromameter ....................................................................... 31

Gambar 29.

Hubungan antara nilai L hasil perhitungan labu latar belakang putih pengolahan citra dengan Chromameter ....................................................................... 32

Gambar 30.

Hubungan antara nilai a hasil perhitungan labu latar belakang putih pengolahan citra dengan Chromameter ....................................................................... 33

Gambar 31.

Hubungan antara nilai b hasil perhitungan labu latar belakang putih pengolahan citra dengan Chromameter ....................................................................... 33

viii

DAFTAR LAMPIRAN Halaman Lampiran 1. Diagram alir algoritma image processing untuk pengukuran warna .............................. 38 Lampiran 2. Data hasil pengukuran warna wortel dengan latar belakang hitam pada pengolahan citra dan Chromameter ................................................................................ 39 Lampiran 3. Data hasil pengukuran warna labu dengan latar belakang hitam pada pengolahan citra dan Chromameter ................................................................................ 43 Lampiran 4. Data hasil pengukuran warna wortel dengan latar belakang putih pada pengolahan citra dan Chromameter ................................................................................ 47 Lampiran 5. Data hasil pengukuran warna labu dengan latar belakang putih

pada

pengolahan citra dan Chromameter ................................................................................ 51

ix

BAB I PENDAHULUAN 1.1 Latar Belakang Peran serta teknologi sangat dibutuhkan, terutama untuk kegiatan pascapanen pertanian.Saat ini teknologi pascapanen produk hortikultura semakin maju dan berbagai penanganan pascapanen semakin baik dalam meningkatkan kualitas mutu produk. Kelengkapan sarana yang diperlukan dalam penanganan produk pascapanen perlu ditingkatkan. Berbagai uji dilakukan untuk meningkatkan dan mengetahui kualitas dari suatu produk agar produk diterima di pasaran. Salah satu pengujian yang sering dilakukan pada produk pertanian adalah warna. Warna digunakan untuk mengetahui tingkat kematangan dan mutu suatu produk pertanian. Warna merupakan parameter yang sering dilakukan pada kegiatan panen, sortasi, grading dan lainlain. Untuk mengetahui intensitas warna suatu produk selama ini masih dilakukan secara manual, yang mengandalkan kemampuan panca indera penglihatan manusia. Salah satu metode yang dapat digunakan untuk pengukuran warna adalah menggunakan kamera CCD dan image processing. Penerapan teknik pascapanen yang efektif dapat berarti adanya perbedaan antara keuntungan dan kehilangan pada stadia keseluruhan sistem. Produk yang diperlakukan dengan baik dan dalam kondisi yang baik dapat relatif bertahan dari stress waktu, suhu, penanganan, transportasi dan mikroorganisme pembusuk selama proses pendistribusiannya. Dengan demikian fase pascapanen adalah sangat penting bagi petani, pedagang besar, pengecer dan konsumen (Utama 2005). Pada produk hortikultura segar, mutu dapat didefinisikan sebagai kumpulan dari karakteristik dan atribut yang memberikan nilai terhadap produk itu sendiri. Relatif pentingnya masing-masing atribut tersebut tergantung pada produk itu sendiri, penggunaannya pada sektor industri atau individu yang menentukan/ menguji mutu tersebut. Karakteristik pemutuan seperti ukuran, warna, bentuk dan adanya cacat adalah secara bersama-sama memberikan kenampakan dari produk tersebut. Kenampakan masih merupakan parameter penting di dalam perdagangan. Namun demikian, ada peningkatan persepsi dari masyarakat terhadap komponen mutu tidak terlihat. Cita rasa, tekstur, nilai nutrisi, tidak adanya kerusakan fisiologi dan mekanis secara internal akan menentukan secara berarti apakah produk akan dapat dijual kembali atau tidak. Tidak adanya kerusakan fisik; seperti lecet, memar, adalah penting sebagai parameter mutu. Faktor penting lainnya yang menentukan mutu pada saat panen adalah stadia kematangan dari produk. Hal ini khususnya untuk buah yang mengalami proses pemasakan setelah panen (Utama 2005). Pengukuran kematangan yang dilakukan oleh produsen, penangan, personel pengendali mutu haruslah sederhana, siap digunakan dilapangan atau kebun dan murah. Pengukuran hendaknya objektif dan konsisten berhubungan dengan mutu dan masa simpan pascapanennya dan dapat berlaku luas atau umum. Penelitian ini mengembangkan metode pengukuran warna menggunakan kamera CCD dan image processing agar hasil pengukuran warna lebih objektif. Dalam penelitian ini, produk yang digunakan adalah wortel dan labu. Wortel dan labu memiliki warna yang sangat berbeda. Hal ini dijadikan perbandingan dalam pengukuran warna yang dilakukan pada penelitian ini. Penelitian-penelitian yang telah ada, image processing digunakan untuk analisis penentuan kematangan dan pemutuan hasil pertanian, antara lain untuk pemutuan buah cabai merah oleh Faizal (2006), bahwa pemutuan cabai merah dengan teknik pengolahan citra dilakukan berdasarkan nilai panjang, diameter, rasio antara panjang dengan diameter dan faktor bentuk (roundness). Sedangkan aplikasi image processing untuk menentukan tingkat kematangan buah tomat oleh Rizali (2007) menyatakan bahwa salah satu parameter yang digunakan untuk pengelompokan tomat berdasarkan

tingkat kematangannya yaitu indeks warna merah dan indeks warna hijau, baik tomat yang direkam dari arah atas maupun tomat yang direkam dari arah samping.

1.2 Tujuan Tujuan penelitian ini adalah sebagai berikut: 1. Menyusun algoritma image processing untuk pengukuran warna produk hortikultura. 2. Membandingkan hasil pengukuran warna metode image processing dengan data hasil pengukuran Chromameter.

2

BAB II TINJAUAN PUSTAKA 2.1 Sifat Optik Bahan Pertanian Penilaian kualitas sensori produk bisa dilakukan dengan melihat bentuk, ukuran, kejernihan, kekeruhan, warna, dan sifat-sifat permukaan seperti kasar-halus, suram-mengkilap, homogenheterogen, dan datar-bergelombang. Banyak sifat atau mutu komoditas dapat dinilai dari warnanya. Misalnya, buah pisang jika masih hijau dan sudut-sudut buah masih terlihat menandakan kalau buah belum matang. Atribut sensori yang dapat diuji dengan menggunakan indera penglihatan adalah hue (warna), depth of color (membedakan tingkat kedalaman warna dari gelap ke terang), brightness (mengacu pada intensitas dan kemurnian warna), clarity (menguji dengan melihat sinar yang dapat melewati produk), shine (jumlah sinar yang direfleksikan dari permukaan produk), evenness (keseragaman/ keadaan rata), bentuk dan ukuran serta tekstur (Setyaningrum et al 2010). Satu dari karakteristik penting produk hortikultura adalah warnanya, baik eksternal maupun internal, yang dalam banyak hal dapat menentukan dengan jelas tingkat kematangan dan kualitasnya. Klasifikasi buah-buahan dan sayuran berdasarkan warna saat ini telah berkembang secara luas. Disamping warna, sifat optik lain seperti sifat penyerapan cahaya (absorban), sifat penerusan (transmittance) dan sifat pemantulan (reflectance) cahaya juga penting untuk evaluasi kuantitatif berbagai sifat bahan. Dengan perubahan warna, kemampuan penerusan dan pemantulan dari produk juga berubah (Purwantana 2005). Cahaya adalah energi radiasi berbentuk gelombang elektromagnetik dengan rentang panjang gelombang sekitar 400-800 nm. Menurut definisi ini, warna (seperti bau, rasa, dan tekstur) tidak dapat dipelajari tanpa sistem penginderaan manusia. Warna yang diterima jika mata memandang objek yang disinari berkaitan dengan tiga faktor, yaitu sumber sinar, ciri kimia dan fisika objek, dan sifat-sifat kepekaan spektrum mata. Untuk menilai sifat objek, kita harus menstandarkan kedua faktor yang lain (Bertha 2010). Gelombang elektromagnetik banyak dimanfaatkan dalam bidang pertanian, antara lain: 1. Spektrum Visible (400-700 nm) Digunakan untuk penentuan karakteristik mutu fisik (warna, permukaan, cacat) bahan, indikator panen, kesegaran, serta proses sortasi dan grading. 2. Spektrum NIR (700-2500nm) Digunakan untuk penentuan karakteristik mutu komposisi bahan (kandungan kimia bahan) seperti kadar air, protein, lemak dan lain-lain. Selain itu dapat digunakan untuk proses sortasi dan grading. 3. Spektrum Infrared (2500-10000nm) Digunakan untuk pengeringan dan pemanasan. Seperti telah diketahui, variasi warna adalah bentuk variasi panjang gelombang radiasi elektromagnetik. Suatu bahan akan menyerap atau memantulkan sinar cahaya berbagai panjang gelombang secara berbeda-beda, tergantung warnanya. Warna adalah spektrum tertentu yang terdapat di dalam suatu cahaya sempurna (berwarna putih). Identitas suatu warna ditentukan panjang gelombang cahaya tersebut. Panjang gelombang warna yang masih bisa ditangkap mata manusia berkisar antara 380-780 nanometer. Dengan demikian pengukuran-pengukuran dapat dilakukan menggunakan cahaya tunggal (monochromatic) berbagai panjang gelombang (spectrophotometry). Spektrum cahaya nyata (visible

light) pada umumnya dibagi dalam delapan interval berdasarkan karakteristik warnanya (Purwantana 2005). Pembagian spektrum warna dapat dilihat pada Gambar 1.

Panjang gelombang terpendek Sinar gamma -3

10 nm

Sinar X -1

10 nm

Panjang gelombang terpanjang Ultraviolet 101nm

Biru 436nm

Cahaya tampak

Infrared 103nm

Hijau 546nm

Gelombang radio 109-13nm

Merah 700nm

Gambar 1. Visible spectrum (Suhendra 2011)

Hubungan antara spektrum warna dan panjang gelombang sinar tampak dapat dilihat pada Tabel 1. Tabel 1. Hubungan antara spektrum warna dan panjang gelombang sinar tampak (Suyatma 2009)

Jenis warna Kisaran (nm) Merah Jingga, orange Kuning Hijau muda Hijau Biru muda Biru Nila Ungu, violet

620 – 770 585 – 600 570 – 585 540 – 570 505 – 540 495 – 505 480 – 495 450 – 480 350 – 450

Panjang gelombang Nilai tengah (nm) 700 590 576 555 520 500 490 470 380

Menurut Indrasanja (2011), dalam peralatan optis, warna bisa pula berarti interpretasi otak terhadap campuran tiga warna primer cahaya: merah, hijau, biru yang digabungkan dalam komposisi tertentu. Suatu warna tertentu dapat dihasilkan dari pencampuran warna primer. Gambar 2 berikut menunjukkan sistem aditif yang memiliki tiga komponen warna primer, yaitu merah, hijau, dan biru.

4

Dari gambar tampak bahwa pencampuran warna merah, hijau dan biru pada takaran yang tepat akan menghasilkan warna putih. Dua warna disebut komplementer jika kedua warna tersebut dicampur pada takaran yang tepat akan menghasilkan warna putih, sebagai contoh warna magenta dicampur dengan warna hijau pada takaran yang tepat akan menghasilkan warna putih. Oleh karena itu warna magenta merupakan komplemen untuk warna hijau. Informasi dari suatu objek dapat diwakili oleh warna yang dipantulkan oleh objek yang bersangkutan ke mata. Warna subtraktif merupakan warna campuran dengan menambahkan warna utama merah, hijau, dan biru untuk membentuk warna sekunder kuning (merah+hijau), cyan (biru+hijau), dan magenta (merah+biru). Campuran warna subtraktif campuran kuning dan cyan menghasilkan nuansa warna hijau; campuran kuning dengan magenta menghasilkan nuansa warna merah, sedangkan campuran magenta dengan cyan menghasilkan nuansa biru. Dalam teori, campuran tiga pigmen ini dalam ukuran yang seimbang akan menghasilkan nuansa warna kelabu, dan akan menjadi hitam jika ketiganya disaturasikan secara penuh.

Gambar 2. Pencampuran warna aditif dan warna subtraktif (Indrasanja 2011)

2.2 Metode Pengukuran Warna Ada dua metode pengukuran warna yang banyak digunakan, yaitu metode pengukuran warna secara objektif maupun subjektif. Warna merupakan sifat produk pangan yang dapat dipandang sebagai sifat fisik (obyektif) dan sifat organoleptik (subyektif). Warna dapat dianalisa secara obyektif dengan instrumen fisik dan secara organoleptik atau subyektif dengan indera manusia. Pengukuran objektif dapat dilakukan dengan Spektrophotometer, Colorimeter atau Chromameter, dan kamera CCD. Sedangkan pengukuran subjektif dapat dilakukan dengan menggunakan diagram warna Chromaticity CIE 1931, Munsell, dan Hunter.

2.2.1 Spektrophotometer Prinsip pengukuran warna dengan spektrophotometer adalah mengukur parameter optik (reflektan (R), transmitan (T)) pada tiap panjang gelombang mulai dari 400 sampai dengan 700 nm dengan interval panjang gelombang tertentu. Spektrophotometer memiliki beberapa komponen yaitu sumber cahaya, monochromator (memecah cahaya menjadi gelombang tunggal), sensor (mengkonversi intensitas cahaya menjadi tegangan listrik), integrating sphere (mengumpulkan cahaya yang dipantulkan oleh sampel), penguat (meningkat tegangan dari sensor agar dapat sesuai dengan

5

tegangan input komputer), Analog Digital Coverter (pengkonversi sinyal analog ke digital untuk masuk ke komputer), dan komputer (mengolah, mendisplaykan, dan menyimpan data optik). Spektrophotometer visible telah banyak digunakan dalam bidang pertanian, antara lain untuk menentukan perbedaan dalam produk yang sejenis, kematangan, kerusakan (membuat sistem sortasi dan grading), menentukan perbedaan antar produk (membuat sensor buatan untuk panen, luas panen), menentukan kandungan/konsentrasi pigmen kulit bahan pertanian, menentukan kadar gula dan kekerasan (tidak langsung).

2.2.2 Colorimeter/Chromameter Prinsip alat ini adalah mengukur parameter atau tristimulus warna XYZ menggunakan tiga buah filter X (merah), Y (hijau), dan Z (biru). Selain tiga buah filter, chromameter memiliki beberapa komponen penting antara lain adalah sumber cahaya, sensor, penguat, pengolah data dan display. Chromameter merupakan alat yang digunakan untuk mengukur warna dari permukaan suatu objek. Prinsip dasar dari alat ini ialah interaksi antara energi cahaya diffus dengan atom atau molekul dari objek yang dianalisis. Alat ini terdiri atas ruang pengukuran dan pengolah data. Ruang pengukuran berfungsi sebagai tempat untuk mengukur warna objek dengan diameter tertentu. Setiap kromameter dengan tipe berbeda memiliki ruang pengukuran dengan diameter yang berbeda pula. Sumber cahaya yang digunakan yaitu lampu xenon. Lampu inilah yang akan menembak permukaan sampel yang kemudian dipantulkan menuju sensor spektral. Selain itu, enam fotosel silikon sensitifitas tinggi dengan sistem sinar balik ganda akan mengukur cahaya yang direfleksikan oleh sampel (Anonim 2011). Skema pengukuran dari kromameter yaitu sampel diberi cahaya diffus dan diukur pada sudut tertentu. Cahaya diffus yang mengenai sampel dipantulkan pada sudut tertentu, kemudian diteruskan ke sensor spektral, lalu dihitung menggunakan komputer mikro (Anonim 2011). Data hasil pengukuran dapat berupa Yxy (CIE 1931), L*a*b* (CIE 1976), Hunter Lab atau nilai tristimulus XYZ, yang sebelumnya diolah melalui pengolah data. Sistem pengukuran yang paling sering digunakan ialah sistem CIE L*a*b* atau CIELAB. Sistem warna CIELAB merupakan suatu skala warna-warna yang seragam dalam dimensi warna.

2.2.3 Kamera Dalam pengukuran warna dapat menggunakan kamera CCD atau kamera digital sebagai sensor citra. Menurut Ahmad (2005) sensor citra (image sensor) digunakan untuk menangkap pantulan cahaya oleh objek yang kemudian dalam bentuk nilai intensitas di memori komputer. Banyak macam dari sensor citra ini yang digunakan untuk menangkap citra seperti yang kita lihat pada TV yaitu vidicon tube, image orthicon tube, image dissector tube, dan solidstate image sensor. Saat ini solidstate image sensor banyak digunakan karena mempunyai banyak kelebihan seperti konsumsi daya listrik yang kecil, ukurannya kecil dan kompak, tahan guncangan dan sebagainya. Ini sangat diperlukan bila diintegrasikan ke dalam suatu mesin atau sistem robotik agar bentuknya kompak dan padat. Solidstate image sensor punya sebuah larik elemen foto-electric yang dapat membangkitkan tegangan listrik dari photon ketika menerima sejumlah energi cahaya. Sensor jenis ini dapat diklasifikasikan berdasarkan caranya melakukan scanning, yang umumnya dibedakan menjadi dua yaitu charge coupled device (CCD) dan complementary metal-oxide semi-conductor (CMOS). Jenis CCD memiliki kelebihan pada resolusi yang tinggi dan kompensasi dari ketersediaan cahaya yang lemah, sedangkan jenis CMOS mempunyai kelebihan pada bentuk yang kecil dan ringan dengan tetap

6

memberikan hasil citra yang tajam. Tetapi seiring kemajuan teknologi, batas antara kedua macam sensor ini akan semakin kabur kecuali bila kita memerlukan sensor dengan karakteristik ekstrim dari kedua macam sensor yang sudah dijelaskan. Sebuah kamera warna mempunyai tiga sensor citra masing-masing untuk warna hitam, hijau dan biru, atau mempunyai satu sensor yang dilengkapi dengan filter RGB (Ahmad 2005).

2.2.4 Chromaticity CIE 1931

Fraksi penyerapan cahaya oleh tiap tipe kurva

Pada teori tristimulus persepsi warna dapat dilihat pada Gambar 3, bahwa suatu warna dapat diperoleh dari suatu campuran tiga warna utama: merah, hijau dan biru (Red Green Blue). Sumber utama yang dipakai dalam sistem ini adalah cahaya monokromatis dengan panjang gelombang 700 nm (merah), 546 nm (hijau), dan 435 nm (biru) (Gambar 3).

Panjang gelombang Gambar 3. Kurva warna utama (Suhendra 2011) Sinar putih referensi memiliki spektrum datar dengan komposisi R=G=B=1. Meskipun hampir setiap warna yang tampak dapat ditentukan sesuai dengan tiga komponen diatas, tetapi masih terdapat beberapa warna yang tidak dapat diuraikan sebagai kombinasi dari ketiga warna dasar tersebut. Bagaimanapun juga apabila salah satu dari ketiga komponen warna dasar tersebut ditambahkan ke warna yang tidak dapat dicocokkan tadi, maka warna yang tidak dapat dicocokkan tersebut dapat dicocokkan dengan campuran dari dua warna dasar lain. Hal ini menunjukkan bahwa warna dapat memiliki nilai bobot negatif dari ketiga komponen warna dasar tersebut (Suhendra 2011). Menurut Suhendra (2011), pada tahun 1931 Commission Internationale de l’´Eclairage (CIE) mendefinisikan tiga standar komponen warna utama : X, Y dan Z yang dapat ditambahkan untuk membentuk semua kemungkinan warna. Warna utama Y dipilih sedemikian rupa sehingga fungsi kecocokan warnanya secara tepat mencocokkan fungsi luminous efisiensi mata manusia berdasarkan penjumlahan ketiga warna seperti pada Gambar 4.

7

Diagram Chromaticity (Gambar 4) menunjukkan semua visible colours. Sumbu x dan y merupakan nilai normalisasi warna utama X dan Y untuk suatu warna, dan z = 1−x−y menyatakan jumlah Z utama yang diperlukan. Chromaticity bergantung pada panjang gelombang dan saturation dominan, dan tidak bergantung pada energi luminan. Warna dengan nilai chromaticity yang sama tetapi dengan luminan berbeda akan terpetakan pada titik yang sama di regian tersebut.Warna spektrum utama murni berada pada bagian kurva batas daerah, dan suatu sinar putih standar memiliki warna yang didefinisikan berada dekat (tetapi tidak di) titik dengan persamaan energi x = y = z = 1/3.

Diagram C.I.E kromatisiti

Titik energi spektral (panjang gelombang, nm)

Gambar 4. Diagram chromaticity (Suhendra 2011)

Warna komplementer, yaitu warna yang ditambahkan ke warna putih, berada di titik akhir suatu garis yang melewati titik tersebut. Sebagai ilustrasi pada Gambar 5, semua warna yang berada di dalam segitiga dapat dibentuk dari campuran warna yang berada pada verteks (garis) segitiga. x dan y adalah jumlah normalisasi kemunculan X dan Y primaries, z = 1 - x - y menentukan jumlah Z primary yang dibutuhkan. Dari ilustrasi grafik tersebut, semua warna visible tidak dapat diperoleh dari campuran warna utama R, G dan B (atau dari tiga visible warna lainnya), karena bentuk diagramnya bukan segitiga (Suhendra 2011). Menurut Ahmad (2005), CIE (Komisi Iluminasi Internasional) mengembangkan model warna yang banyak diterapkan pada alat ukur warna. Sistem warna ini mempunyai tiga buah sumbu utama, yaitu X, Y, Z. Warna ditentukan oleh besaran relatif ketiga sumbu yang cocok dengan warna yang

8

diberikan. Y adalah nilai kecerahan, diukur dari besaran cahaya pada semua panjang gelombang. Nilai kromasiti, yaitu besaran nilai pada panjang gelombang tertentu, tergantung pada panjang gelombang yang mendominasi dan kejenuhannya, tidak tergantung pada kecerahan.

Gambar 5. Warna campuran pada diagram chromaticity (Suhendra 2011)

Dari data pengukuran menggunakan alat ukur warna misalnya, nilai-nilai kromasiti dapat dihitung atau dinormalkan dengan cara sebagai berikut:

𝑋 x=

𝑋+𝑌+𝑍

( 2.1)

𝑌 y=

𝑋+𝑌+𝑍

(2.2)

𝑍 z=

𝑋+𝑌+𝑍

(2.3)

Karena x + y + z = 1, hanya dua nilai yang perlu dinyatakan dan yang ketiga segera dapat diketahui dengan cara menghitungnya, karena jumlah ketiganya sama dengan satu. Oleh karena itu, sebuah warna kemudian dapat dinyatakan dengan dua nilai kromasiti, x dan y, dan nilai kecerahan Y. Nilai kromasiti x dan y mewakili komponen warna yang bebas terhadap kecerahan warna. Jadi dua buah warna, hijau muda dan hijau tua dapat terlihat berbedatapi sebenarnya kedua warna tersebut mempunyai bentuk spektrum panjang gelombang yang relatif sama.

2.2.5

Sistem Warna Munsell

Sistem Warna Munsell dikembangkan pertama kali oleh Munsel pada tahun 1900-an. Pengukuran warna didasarkan pada penggunaan 3 atau 4 piringan warna (color disc) yang masingmasing telah dikalibrasi secara akurat dalam 3 hal yaitu warna kromatik/rona/hue (merah, hijau dll),

9

nilai/kecerahan (lightness, darkness) dan chroma (kekuatan/intensitas warna). Hue merupakan warna dari suatu benda yang memberikan perbedaan dari suatu warna terhadap warna lainnya, digambarkan oleh sebuah lingkaran (bola warna Munsell). Bola warna Munsell dapat dilihat pada Gambar 6. Chroma yaitu intensitas warna yang membedakan warna yang kuat dengan warna yang lemah, digambarkan sebagai jarak lingkaran dari pusat. Value adalah kualitas warna yang berhubungan dengan pencahayaan, hal ini merupakan tingkat kecerahan, digambarkan sebagai garis vertikal. Pengukuran warna pada sistem ini dengan mematchingkan warna produk dengan warna Munsell secara visual menggunakan indera penglihatan (Suyatma 2009). Menurut Suyatma (2009) rona didasarkan pada sepuluh rona yang tersebar pada keliling lingkaran rona. Ada lima rona : merah, kuning, hijau, biru dan lembayung, rona ini diberi kode R, Y, G, B dan P. Ada juga lima rona antara, YR, GY, BG, PB dan RP. Skala nilai adalah skala keterangan atau kecerahan mulai dari 0 (hitam) sampai 10 (putih). Dimensi rona/hue diekspresikan dengan inisial rona/hue yang bersangkutan. Dimensi nilai (value) dinyatakan dengan bilangan di atas garis miring. Sedangkan dimensi chroma diekspresikan dengan bilangan setelah garis miring. Nilai yang didapat dari pengukuran ini dapat dikonversi ke nilai x, y dan z pada sistem CIE.

Gambar 6. Bola warna Munsell (Suyatma 2009)

2.2.6 Sistem Warna Hunter (Lab) Sistem warna Hunter dikembangkan oleh Hunter tahun 1952. Pengukuran warna dengan metode ini jauh lebih cepat dengan ketepatan yang cukup baik. Pada sistem ini term penilaian terdiri atas 3 parameter yaitu L, a dan b. Lokasi warna pada sistem ini ditentukan dengan koordinat L∗, a∗, dan b∗. Notasi L*: 0 (hitam); 100 (putih) menyatakan cahaya pantul yang menghasilkan warna akromatik putih, abu-abu dan hitam. Notasi a*: warna kromatik campuran merah-hijau dengan nilai +a* (positif) dari 0 sampai +80 untuk warna merah dan nilai –a* (negatif) dari 0 sampai -80 untuk warna hijau. Notasi b*: warna kromatik campuran biru-kuning dengan nilai +b* (positif) dari 0 sampai +70 untuk warna kuning dan nilai –b* (negatif) dari 0 sampai -70 untuk warna biru (Suyatma 2009).

10

Nilai L dalam pengukuran ini langsung dapat dibandingkan dengan nilai Y pada CIE system atau value pada system Munsell. Nilai-nilai pengukuran pada sistem Hunter bisa dikonversikan ke x, y dan z pada system CIE.

Gambar 7. Diagram warna L*a*b* (Suyatma 2009)

2.3 Image Processing Image processing adalah proses untuk mengamati dan menganalisa suatu objek tanpa berhubungan langsung dengan objek yang diamati. Proses dan analisanya melibatkan persepsi visual dengan data masukan maupun data keluaran yang diperoleh berupa citra dari objek yang diamati. Teknik-teknik image processing meliputi penajaman citra, penonjolan fitur tertentu dari suatu citra, kompresi citra dan koreksi citra yang tidak fokus atau kabur (Ahmad 2005). Menurut Arymurthy dan Setiawan (1992), pengolahan citra merupakan proses pengolahan dan analisis citra yang banyak melibatkan persepsi visual. Proses ini mempunyai ciri data masukan dan informasi keluaran yang berbentuk citra. Citra merupakan sekumpulan titik-titik dari gambar yang berisi informasi warna dan tidak tergantung pada waktu. Umumnya citra dibentuk dari kotak-kotak persegi empat yang teratur sehingga jarak horizontal dan vertikal antar pixel sama pada seluruh bagian citra. Warna citra didapat melalui penjumlahan nilai Red, Green, Blue (RGB). Menurut Arymurthy dan Setiawan (1992), citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa foto, bersifat analog berupa sinyal-sinyal video seperti gambar pada monitor televisi, atau bersifat digital yang dapat langsung disimpan pada suatu pita magnetik. Menurut presisi yang digunakan untuk menyatakan titik-titik koordinat pada domain spasial atau bidang dan untuk menyatakan nilai keabuan atau warna suatu citra, maka secara teoritis citra dapat dikelompokkan menjadi empat kelas, yaitu citra kontinu-kontinu, kontinu-diskrit, diskrit-kontinu, dan

11

diskrit-diskrit; dimana label pertama menyatakan presisi dri titik-titik koordinat pada bidang citra sedangkan label kedua menyatakan presisi nilai keabuan atau warna. Kontinu dinyatakan dengan presisi angka tak terhingga, sedangkan diskrit dinyatakan dengan presisi angka terhingga. Komputer digital bekerja dengan angka-angka presisi terhingga, dengan demikian hanya citra dari kelas diskritdiskrit yang dapat diolah dengan komputer; citra dari kelas tersebut lebih dikenal sebagai citra digital. Citra digital merupakan suatu array dua dimensi atau suatu matriks yang elemen-elemennya menyatakan tingkat keabuan dari elemen gambar; jadi informasi yang terkandung bersifat diskrit. Dalam pengambilan citra, hanya citra yang berbentuk digital yang dapat diproses oleh komputer digital, data citra yang dimasukkan berupa nilai-nilai integer yang menunjukkan nilai intensitas cahaya atau tingkat keabuan setiap pixel. Citra digital dapat diperoleh secara otomatik dari sistem penangkap citra membentuk suatu matrik dimana elemen-elemennya menyatakan nilai intensitas cahaya pada suatu himpunan diskrit dari titik. Citra f (x,y)disimpan dalam memori komputer atau penyimpan bingkai citra dalam bentuk array M x N dari contoh diskrit dengan jarak sama, sebagai berikut:

f(x,y) =

f(0,0) f(1,0) … f(M,0

f(0,1) f(1,1) … f(M,1)

… … … …

f(0,N-1) f(1,N-1) … f(M,N-1)

(2.4)

Citra monokrom atau citra hitam-putih merupakan citra satu kanal, dimana citra f(x,y) merupakan fungsi tingkat keabuan dari hitam ke putih; x menyatakan variabel baris atau garis jelajah dan y menyatakan variabel kolom atau posisi piksel di garis jelajah. Sebaliknya citra berwarna dikenal juga dengan citra multi-spektral, dimana warna citra biasanya dinyatakan dalam tiga komponen warna: merah, hijau, dan biru (RGB) (Arymurthy dan Setiawan 1992). Citra dengan modus skala keabuan dengan format 8 bit memiliki 256 tingkat keabuan atau intensitas warna. Nilai tersebut berkisar antara 0-255, dimana nilai 0 menunjukkan tingkat paling gelap (hitam), sedangkan nilai 255 menunjukkan tingkat paling terang dan tingkat abu-abu berada diantaranya. Citra dengan 24 bit mempunyai 16777216 warna, tiap pixel dinyatakan dengan: 1. Bit 0 – 7 untuk warna merah 2. Bit 7 – 15 untuk warna hijau 3. Bit 16 – 24 untuk warna biru Kemungkinan kombinasi warna yang ada adalah 256 3 + 2562 + 2561 = 16843008, dimana nilai 0 menyatakan warna hitam sedangkan nilai 16843008 menyatakan warna putih. Ada dua bagian pada proses pembentukan citra, yaitu geometri citra yang menentukan suatu titik dalam pemandangan diproyeksikan pada bidang citra dan fisik cahaya yang menentukan kecerahan suatu titik pada bidang citra sebagai fungsi pencahayaan pemandangan serta sifat-sifat permukaan. Pada pengolahan citra ada dua unsur utama sebagai penyusunnya, yaitu perangkat keras (hardware) dan perangkat lunak (software). Komponen utama dari perangkat keras pengolahan citra digital adalah kamera penangkap citra, komputer, dan alat peraga. Kamera yang sering digunakan untuk menangkap citra adalah kamera CCD (Charge Coupled Device). Sedangkan komputer dan alat peraga yang digunakan tersebut bisa dari jenis yang multi guna atau dari jenis khusus yang dirancang untuk pengolahan citra digital. Perangkat lunak (software) yang digunakan dalam pengolahan citra tergantung pada jenis penangkap bingkai citra (image frame grabber) yang digunakan. Dari segi penggunaan, sedikitnya ada dua jenis image frame grabber, yaitu jenis yang bisa diprogram (programmable) dimana pustaka

12

fungsinya disertakan dan cara pemakaiannya dalam pemrograman dengan bahasa pemrograman tertentu diberikan, dan jenis yang tidak bisa diprogram (non- programmable), atau setidaknya tanpa dilengkapi buku petunjuk dan fungsi pustaka untuk melalukan pemrograman, sehingga sulit membuat program khusus untuk menggunakannya.

2.4 Pengolahan Warna Menurut Ahmad (2005) persepsi warna dalam pengolahan citra tergantung kepada tiga faktor yaitu: 1. Sifat pantulan spektrum (spectral reflectance) dari suatu permukaan, (menentukan bagaimana suatu permukaan memantulkan gelombang cahaya hingga menampakkan suatu warna). 2. Kandungan spektrum (spectral content) dari cahaya yang menyinari (kandungan warna dari cahaya yang menyinari permukaan). 3. Respon spektrum (spectral response) dari sensor dalam peralatan sistem visual, (kemampuan merespon warna dari sensor dalam imaging system). Salah satu kunci untuk mengilah warna dalam pengolahan citra adalah menentukan model warna yang sesuai dengan persepsi manusia terhadap warna. Model warna telah banyak dikembangkan oleh para ahli, seperti model RGB (Red, Green, Blue), model CMY (K) (Cyan, Magenta, Yellow), model YCbCr (luminase serta dua komponen kromasi Cb dan Cr), dan model HSI (Hue, Saturation, Intensity). Model warna RGB merupakan model warna pokok aditif, yaitu warna dibentuk dengan mengkombinasikan energi cahaya dari ketiga warna pokok dalam berbagai perbandingan. Model warna HSI merupakan model warna yang paling sesuai dengan manusia. Nilai Hue dapat diaplikasikan untuk membedakan antara obyek dan latar belakang. Saturation (kejenuhan) yang tinggi dapat menjadi jaminan nilai Hue yang akurat dalam membedakan obyek dan latar belakang. Intensity merupakan nilai abu-abu dari piksel dalam citra abu-abu (Ahmad 2005). Tabel 1. memperlihatkan beberapa model warna yang penting dan deskripsinya serta pemakaiannya. Tabel 2. Model warna dan deskripsinya (Ahmad 2005)

Model Warna RGB CMY (K) YcbCr HIS

Deskripsi Merah, Hijau, dan Biru (warna pokok). Sebuah model warna pokok aditif yang digunakna pada sistem display. Cyan, Magenta, Kuning (dan Hitam). Sebuah model warna subtraktif yang digunakan pada mesin printer. Luminase (Y) dan dua komponen kromasiti (Cb dan Cr). Digunakan dalam siaran gelombang televisi. Hue, Saturasi, dan intensitas. Berdasarkan pada persepsi manusia terhadap warna.

Model warna RGB dapat juga dinyatakan dalam bentuk indeks warna RGB dengan rumus sebagai berikut:

𝑅 Indeks warna merah (I red)

=

𝑅+𝐺+𝐵

...………………………………… (2.5)

13

𝐺 Indeks warna hijau (I green)

=

Indeks warna biru (I blue)

=

𝑅+𝐺+𝐵 𝐵 𝑅+𝐺+𝐵

…………..…………….………… (2.6) …………...…………………......... (2.7)

Lab merupakan model warna yang dirancang untuk menyerupai persepsi penglihatan manusia dengan menggunakan tiga komponen yaitu L sebagai luminance (pencahayaan) dan a dan b sebagai dimensi warna yang berlawanan. Perancangan sistem aplikasi ini menggunakan model warna Lab. Model warna ini dipilih karena terbukti memberikan hasil yang lebih baik daripada model warna RGB dalam mengukur nilai kemiripan ciri warna dalam citra. Model warna Lab juga dapat digunakan untuk membuat koreksi keseimbangan warna yang lebih akurat dan untuk mengatur kontras pencahayaan yang sulit dan tidak mungkin dilakukan oleh model warna RGB. Dalam melakukan konversi model warna RGB ke model warna Lab terlebih dahulu dilakukan proses konversi model warna RGB ke CIE XYZ. Tahap selanjutnya baru dilakukan konversi model warna CIE XYZ ke CIE Lab. Di bawah ini adalah rumus standar untuk konversi linier RGB ke CIE XYZ (Plataniotis dan Venetsanopoulos 2000): 𝑋 0.4125 𝑌 = 0.2127 𝑍 0.0913

0.3576 0.7152 0.1192

0.1804 0.0722 0.9502

𝑅 𝐺 𝐵

(2.8)

Sedangkan berikut adalah rumus konversi dari CIE XYZ ke CIE Lab (Plataniotis dan Venetsanopoulos 2000):

L* = 116 f

𝑌

– 16

𝑌𝑛

a* = 500

𝑓

b* = 200

𝑓

𝑋 𝑋𝑛 𝑌 𝑌𝑛

−𝑓

−𝑓

dimana f(s) = s1/3 f(s) = 7.787s + 16/116

(2.9)

𝑌

(2.10)

𝑌𝑛 𝑍

(2.11)

𝑍𝑛 untuk s > 0.008856 untuk s ≤ 0.008856

14

BAB III METODOLOGI PENELITIAN

3.1 Waktu dan Tempat Penelitian dilaksanakan selama bulan Maret hingga Juli 2011, bertempat di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian (TPPHP), Departemen Teknik Mesin dan Biosistem, Fakultas Teknologi Pertanian, Institut Pertanian Bogor.

3.2 Bahan dan Alat 3.2.1 Bahan Bahan yang digunakan dalam penelitian ini adalah wortel (Daucus carota) berjumlah 50 buah dan labu (Sechium edule) berjumlah 50 buah yang berasal dari pasar induk Bogor.

(a)

(b)

Gambar 8. (a) Wortel, dan (b) labu yang digunakan sebagai objek

3.2.2 Alat Alat-alat yang digunakan dalam penelitian ini dibagi menjadi dua bagian yaitu: a. Perangkat keras Perangkat keras yang digunakan untuk pengambilan citra wortel dan labu pada penelitian ini adalah kamera CCD (Charge Coupled Device), seperangkat komputer, 8 buah lampu LED warna putih, pipa PVC yang berdiameter 4 inchi dengan panjang 20 cm, kain hitam dan putih sebagai alas atau background. Perangkat keras lainnya yang digunakan untuk pengukuran secara langsung adalah chromameter. b. Perangkat lunak Perangkat lunak yang digunakan pada penelitian ini adalah program pengolahan citra yang dibangun dengan bahasa pemrograman SharpDevelop 3.2.

3.3 Prosedur Penelitian Pada penelitian ini, terdapat beberapa tahapan yaitu penyusunan algoritma image processing, pengambilan citra, pengolahan citra, pengukuran warna secara langsung dengan Chromameter, tahap pengolahan data hasil pengolahan citra dan data pengukuran langsung, dan penentuan hubungan pengukuran warna yang diukur dengan menggunakan Chromameter dan image processing.

3.3.1 Penyusunan Algoritma Image Processing Dalam penelitian tahap pertama ini dibuat algoritma pengolahan citra yang dibangun dengan menggunakan bahasa pemrograman SharpDevelop 3.2. Program pengolahan citra yang disusun dapat berfungsi untuk menentukan beberapa parameter citra objek yang dianalisis melalui citra warna seperti indeks warna RGB (merah, hijau, biru), XYZ, dan Lab. Diagram alir algoritma image processing untuk pengukuran warna dapat dilihat pada Lampiran 1.

3.3.2 Pengambilan Citra Sebelum dilakukan pengambilan citra wortel dan labu terlebih dahulu disortir dan dibersihkan dari kotoran yang menempel pada bahan. Kemudian wortel dan labu diambil citranya dengan kamera CCD dan sistem pengolahan citra (image processing). Pengambilan citra dilakukan pada salah satu sisi objek menggunakan latar belakang warna hitam dan pada latar belakang warna putih. Skema perekaman citra digital diilustrasikan pada Gambar 9.

Kartu konversi A/D

Memori citra

Kamera CCD Lampu LED

Pipa PVC

Algoritma pengolahan citra

Objek Layar hitam atau putih

Gambar 9. Skema pengambilan dan pengolahan citra digital

Pengambilan citra dilakukan dengan cara sebagai berikut:

16

a. Objek diletakkan di atas kain hitam atau putih sebagai alas atau background dan di bawah kamera CCD dengan jarak 20 cm. Kamera diletakkan di bagian tengah pipa PVC berdiameter 4 inchi, sedangkan lampu LED diletakkan di bagian atas pipa PVC. b. Perangkat komputer, kamera CCD dan delapan lampu LED dinyalakan untuk memberikan pencahayaan tambahan terhadap objek. c. Intensitas reflektan objek ditangkap oleh sensor kamera CCD melalui lensa dan ditampilkan di monitor komputer yang dihubungkan dengan kamera. d. Citra objek direkam dalam ukuran 744 x 480 pixel dengan 256 tingkat intensitas cahaya merah, hijau dan biru (RGB). e. Citra objek yang telah direkam kemudian disimpan dalam sebuah file dengan format bitmap (.bmp).

(a)

(b)

Gambar 10. (a) Seperangkat penangkap citra, dan (b) penyimpanan citra

3.3.3 Pengolahan Citra Pengolahan citra wortel dan labu dilakukan dengan program komputer yang telah dibuat terlebih dahulu dengan menggunakan bahasa pemrograman SharpDevelop 3.2. Program yang dibuat memiliki kemampuan untuk menghitung citra warna RGB (merah, hijau, biru), XYZ, dan Lab pada objek.

3.3.4 Pengukuran Warna dengan Chromameter Pada pengukuran warna menggunakan Chromameter, hasil pengukuran dinyatakan dalam CIE L*a*b* yang dicirikan dengan notasi L, a, b. Pengukuran dilakukan tiga kali pada tiga titik yang berbeda pada salah satu sisi objek. Skema pengukuran dari Chromameter ditunjukkan pada gambar berikut.

17

Komputer mikro

Sensor Spektral

Bola integrator

lampu

sampel Gambar 11. Sistem pengukuran pada Chromameter (Anonim 2011)

(a) (b) Gambar 12. Chromameter Minolta CR 400 (a) sisi layar, dan (b) sisi samping

3.3.5 Pengolahan Data Analisis statistik dilakukan untuk mengetahui hubungan hasil pengukuran warna menggunakan image processing dengan Chromameter melalui analisis korelasi regresi linier yang dinyatakan dengan persamaan regresi. Analisisnya dilakukan dengan perhitungan berikut: y = ax + b di mana; x = hasil pengukuran komponen warna dengan image processing y = hasil pengukuran komponen warna dengan Chromameter a = slope garis regresi b = nilai komponen warna pada kondisi garis regresi berpotongan dengan sumbu y Tingkat ketepatan dan ketelitian ditunjukkan dengan melihat nilai korelasi garis regresi (kecenderungan data). Nilai pengukuran yang baik jika nilai korelasinya lebih dari 80% (r 2 ≥ 0.80). Menurut Usman dan Akbar (2008), nilai r 2 terbesar adalah +1, dan terkecil adalah -1 sehingga dapat ditulis -1 ≤ r2 ≤ +1. Untuk r = +1 disebut hubungan positif sempurna dan hubungannya linier langsung

18

sangat tinggi. Sebaliknya jika nilai r2 = -1 disebut hubungannya negatif sempurna dan hubungannya tidak langsung sangat tinggi, yang disebut invers. Nilai r2 tidak mempunyai satuan (dimensi). Makna dari nilai r2 yang dihitung dapat diinterpretasikan dengan Tabel 3. Tabel 3. Interpretasi dari nilai r2 (Usman dan Akbar 2008) r2

Interpretasi

0

Tidak berkorelasi

0.01 – 0.20

Sangat rendah

0.21 – 0.40

Rendah

0.41 – 0.60

Agak rendah

0.61 – 0.80

Cukup tinggi

0.81 – 0.99

Tinggi

1

Sangat tinggi

Objek (wortel, labu)

Pengukuran warna dengan chromameter

Pengambilan citra

Nilai komponen warna

Pengukuran warna dengan image processing

Analisis korelasi linier hasil pengukuran warna untuk tiap objek

Nilai komponen warna RGB, XYZ, dan Lab

Gambar 13. Diagram alir proses pengukuran warna

19

BAB VI HASIL DAN PEMBAHASAN 4.1 Program Pengolahan Citra untuk Pengukuran Warna pada Produk Hortikultura Pengembangan metode pengukuran warna dengan menggunakan kamera CCD dan image processing adalah dengan membuat algoritma pengolahan citra yang dibangun dengan menggunakan bahasa pemrograman SharpDevelop 3.2. Dalam penelitian tahap pertama ini telah dibuat program komputer untuk pengambilan dan pengolahan citra bahan pertanian. Bahan pertanian yang digunakan dalam penelitian ini adalah wortel dan labu. Hal ini dilakukan untuk membedakan pengukuran warna merah dengan warna hijau. Setiap sampel diberi label penomoran di bagian belakang untuk menandai sampel yang akan diambil citranya. Program penangkap citra digunakan untuk merekam citra objek dengan latar belakang atau background yang berbeda, yaitu hitam dan putih. Citra objek direkam dengan resolusi 744 x 480 piksel dan dalam 24-bit warna. Pengambilan citra menggunakan kamera CCD yang dihubungkan ke komputer menggunakan koneksi firewire. Citra warna objek dengan latar belakang berbeda hasil perekaman dapat dilihat pada Gambar 14.

a

b

c

d

Gambar 14. a. Citra wortel dengan latar belakang hitam, b. Citra wortel dengan latar belakang putih, f. Citra labu dengan latar belakang hitam, d. Citra labu dengan latar belakang putih

Hasil citra yang diambil menggunakan kamera CCD dikelompokkan ke dalam folder yang disesuaikan dengan jenis objek dan latar belakangnya. Hasil pengambilan citra disimpan dalam bentuk

format bitmap (.bmp), karena format ini memiliki kelebihan di mana setiap elemen penyusun warna dari suatu citra, disimpan secara lengkap atau tidak dikompres sebagaimana format dalam bentuk .jpeg. Akan tetapi format bitmap juga memiliki kekurangan, yakni dalam hal penggunaan ruang penyimpanan hardisk, di mana format bitmap memerlukan ruang penyimpanan yang cukup tinggi. Program pengolahan citra yang disusun dapat berfungsi untuk menentukan beberapa parameter citra objek yang dianalisis melalui citra warna seperti indeks warna RGB (merah, hijau, biru), XYZ, dan Lab. Indeks warna RGB dianalisis menggunakan bantuan perangkat lunak Paint Shop Pro v.6. Setelah dianalisis menggunakan Paint Shop Pro v.6, data indeks warna RGB dikoleksi dalam Microsoft Office Excel 2007 untuk mendapatkan sebaran dari ketiga indeks tersebut. Nilai RGB yang telah diperoleh tersebut digunakan untuk menentukan nilai Thresholding yang nantinya dapat digunakan untuk melakukan binerisasi terhadap data citra. Tampilan program pengolahan citra terdiri dari tampilan citra asal, menu serta tampilan hasil data olahan citra. Tampilan menu terdiri dari File, Binerisasi, Morfologi, dan Analisis Warna. Masing-masing menu memiliki submenu. Akan tetapi dalam pengolahan citra menu Morfologi tidak dipergunakan karena dalam perlakuan analisis warna antara objek satu dengan yang lain harus sama atau seragam. Pengambilan data melalui analisis citra menggunakan program yang sudah dibuat dimulai dengan memanggil citra yang telah disimpan dalam file dengan extension bmp, dibuka dengan menggunakan submenu Open pada menu File. Citra objek akan muncul dalam bentuk citra warna. Analisis citra yang dilakukan adalah analisis pengukuran warna pada tiap sampel. Analisis warna yang dihitung yaitu, indeks warna RGB, XYZ, dan Lab untuk wortel dan labu dengan latar belakang warna hitam dan putih. Sehingga diperoleh analisis warna wortel dengan latar belakang hitam dan putih, begitu juga dengan labu. Analisis warna dapat langsung dilakukan dari citra warna hasil perekaman dengan terlebih dahulu menentukan piksel-piksel penyusun objek sehingga latar belakang tidak ikut dianalisis. Untuk menghitung indeks warna RGB, XYZ, dan Lab dilakukan proses transformasi citra dari citra warna ke citra biner melalui proses binerisasi. Operasi yang dilakukan adalah memilih salah satu submenu pada menu Binerisasi yaitu, Thresholding Merah Layar Hitam, Thresholding Hijau Layar Hitam, Thresholding Merah Layar Putih, Thresholding Hijau Layar Putih tergantung dari warna objek dan latar belakangnya. Setelah melakukan operasi tersebut akan dihasilkan citra biner dari citra warna dengan objek berwarna putih dan latar belakang berwarna hitam. Setelah didapatkan citra biner kemudian dilakukan perhitungan indeks warna RGB, XYZ, dan Lab dengan memilih menu Analisis Warna. Perhitungan nilai indeks warna dapat diperoleh dengan menggunakan submenu Model Warna RGB untuk indeks warna RGB, submenu Model Warna XYZ untuk warna XYZ, dan submenu Model Warna Lab untuk indeks warna Lab. Dalam perhitungan indeks warna harus dilakukan secara berurutan mulai dari perhitungan indeks warna RGB ke XYZ kemudian ke Lab. Hal ini dikarenakan nilai Lab yang diperoleh merupakan hasil transformasi nilai indeks warna XYZ yang juga merupakan hasil tranformasi nilai indeks warna RGB. Tampilan layar komputer pada saat citra warna ditransformasikan ke citra biner dan tampilan data hasil olahan dapat dilihat pada Gambar 15, 16, 17, dan 18.

21

Gambar 15. Tampilan layar komputer pada saat citra warna ditransformasikan ke citra biner dan perhitungan warna RGB, XYZ, dan Lab untuk wortel dengan latar belakang hitam

Gambar 16. Tampilan layar komputer pada saat citra warna ditransformasikan ke citra biner dan perhitungan warna RGB, XYZ, dan Lab untuk wortel dengan latar belakang putih

22

Gambar 17. Tampilan layar komputer pada saat citra warna ditransformasikan ke citra biner dan perhitungan warna RGB, XYZ, dan Lab untuk labu dengan latar belakang hitam

Gambar 18. Tampilan layar komputer pada saat citra warna ditransformasikan ke citra biner dan perhitungan warna RGB, XYZ, dan Lab untuk labu dengan latar belakang putih

23

Saat melakukan analisis, program akan memetakan posisi piksel-piksel suatu objek dari citra biner hasil operasi sebelumnya ke citra warna sehingga piksel-piksel latar belakang tidak dihitung atau diabaikan. Dengan demikian, indeks warna RGB yang didapat adalah hasil analisis pada permukaan objek yang diinginkan, bukan dari keseluruhan bidang citra. Akan tetapi sebelum pemanggilan citra, terlebih dahulu dilakukan penyimpanan data hasil pengukuran warna yang akan dihitung dengan membuka menu Buka File Text. Data hasil perhitungan disimpan dalam bentuk notepad yang nantinya dapat dibuka dengan aplikasi Microsoft Office Excel 2007. Tampilan hasil penyimpanan pengukuran warna dapat dilihat pada Gambar 19.

Gambar 19. Tampilan hasil penyimpanan pengukuran warna

24

4.2 Pengukuran Warna dengan Teknik Image Processing pada Latar Belakang Warna Hitam Hasil analisis terhadap pengukuran warna wortel dan labu dengan latar belakang hitam yang dilakukan melalui pengolahan citra dinyatakan dengan notasi Lab. Pengolahan data hasil pengukuran warna dengan pengolahan citra dan chromameter dilakukan dengan menggunakan persamaan linier.

4.2.1 Pengukuran Warna pada Wortel Penentuan nilai Lab pengolahan citra dari parameter nilai Lab Chromameter dengan menggunakan model persamaan linier menghasilkan koefisien determinasi berturut-turut untuk Lab wortel adalah 0.827, 0.820 dan 0.826 dengan persamaan regresi nilai Lab masing-masing adalah y = 0.563x + 27.06, y = 0.994x + 10.11, dan y = 0.777x + 7.196. Sedangkan nilai gradien Lab masingmasing adalah 0.563, 0.994, dan 0.777. Jika nilai gradien sama dengan satu (m = 1) berarti hasil pengukuran pengolahan citra sama dengan hasil pengukuran Chromameter. Untuk grafik nilai L, ketika nilai Chromameter naik maka kenaikan nilai pengolahan citra tidak sebesar Chromameter yaitu hanya setengahnya. Nilai Lab pada wortel dengan latar belakang hitam hasil pengukuran pengolahan citra berkorelasi positif tinggi dengan Lab pada wortel hasil pengukuran Chromameter dengan nilai korelasi lebih dari 0.8. Hal ini menunjukkan bahwa model regresi yang dihasilkan memiliki hubungan yang sangat kuat, semakin tinggi nilai Lab pada Chromameter maka semakin tinggi pula nilai Lab pada pengolahan citra, begitu pula sebaliknya. Sehingga model regresi ini dapat menjelaskan perilaku perubahan nilai peubah y (nilai Lab sebenarnya) dengan baik. Hubungan antara nilai Lab pada wortel latar belakang hitam hasil pengukuran pengolahan citra dengan Chromameter dapat dilihat pada Gambar 20, 21, dan 22. Data hasil pengukuran warna wortel dengan latar belakang hitam pada pengolahan citra dan Chromameter dapat dilihat pada Lampiran 2.

59

Nilai L Chromameter

58 57 y = 0.563x + 27.06 R² = 0.827

56 55 54 53 52 51 42

44

46

48

50

52

54

56

Nilai L pengolahan citra

Gambar 20. Hubungan antara nilai L hasil perhitungan wortel latar belakang hitam pengolahan citra dengan Chromameter

25

26

Nilai a Chromameter

24

22

20

18

y = 0.994x + 10.11 R² = 0.820

16

14 7

8

9

10 11 12 Nilai a pengolahan citra

13

14

15

Gambar 21. Hubungan antara nilai a hasil perhitungan wortel latar belakang hitam pengolahan citra dengan Chromameter

38

Nilai b Chromameter

36 34 32 y = 0.777x + 7.196 R² = 0.826 30 28 26 26

28

30

32

34

36

38

40

Nilai b pengolahan citra

Gambar 22. Hubungan antara nilai b hasil perhitungan wortel latar belakang hitam pengolahan citra dengan Chromameter

26

4.2.2 Pengukuran Warna pada Labu Grafik hubungan antara nilai Lab pada labu latar belakang hitam hasil pengukuran pengolahan citra dengan Chromameter disajikan pada Gambar 23, 24, dan 25. Dari grafik hubungan antara nilai Lab pada labu hasil pengukuran pengolahan citra dengan Chromameter, diperoleh persamaan regresi untuk Lab masing-masing adalah y = 0.560x + 27.03, y = 0.232x - 10.33, dan y = 0.838x + 9.728 dengan nilai koefisien determinasi berturut-turut adalah 0.905, 0.813, dan 0.867. Sedangkan nilai gradien Lab masing-masing adalah 0.560, 0.232, dan 0.838. Jika nilai gradien sama dengan satu (m=1) berarti hasil pengukuran pengolahan citra sama dengan hasil pengukuran Chromameter. Untuk grafik nilai L, ketika nilai Chromameter naik maka kenaikan nilai pengolahan citra tidak sebesar Chromameter yaitu hanya setengahnya. Sedangkan untuk nilai a gradiennya rendah, ketika nilai Chromameter naik maka kenaikan nilai pengolahan citra tidak sebesar Chromameter hal ini menyatakan kemiringan yang landai atau semakin kecil nilai gradien maka semakin kecil tingkat pengaruh x terhadap y. Berdasarkan nilai koefisien determinasi yang dihasilkan dari grafik tersebut, maka dapat disimpulkan bahwa model regresi yang dihasilkan memiliki hubungan yang sangat kuat. Nilai Lab pada labu dengan latar belakang hitam hasil pengukuran pengolahan citra berkorelasi positif tinggi dengan Lab pada labu dengan latar belakang hitam hasil pengukuran Chromameter karena nilai korelasi lebih dari 0.8. Hal ini menunjukkan bahwa semakin tinggi nilai Lab pada Chromameter maka semakin tinggi pula nilai Lab pada pengolahan citra, begitu pula sebaliknya. Sehingga model regresi ini dapat menjelaskan perilaku perubahan nilai peubah y (nilai Lab sebenarnya) dengan baik.Data hasil pengukuran warna labu dengan latar belakang hitam pada pengolahan citra dan Chromameter dapat dilihat pada Lampiran 3.

65

Nilai L Chromameter

60

55

50 y = 0.560x + 27.03 R² = 0.905 45

40 30

33

36

39

42

45

48

51

54

57

60

63

Nilai L pengolahan citra

Gambar 23. Hubungan antara nilai L hasil perhitungan labu latar belakang hitam pengolahan citra dengan Chromameter

27

-29

-27

-25

-23

-21

-19

-17

-15 -13

Nilai a Chromameter

-13.5 -14 -14.5

y = 0.232x - 10.33 R² = 0.813

-15 -15.5 -16 -16.5 -17

Nilai a pengolahan citra

Gambar 24. Hubungan antara nilai a hasil perhitungan labu latar belakang hitam pengolahan citra dengan Chromameter

40 38

Nilai b Chromameter

36 34 32 30 y = 0.838x + 9.728 R² = 0.867

28 26 24 22 20 18

20

22

24

26

28

30

32

34

36

Nilai b pengolahan citra

Gambar 25. Hubungan antara nilai b hasil perhitungan labu latar belakang hitam pengolahan citra dengan Chromameter

28

4.3 Pengukuran Warna dengan Teknik Image Processing pada Latar Belakang Warna Putih Hasil analisis terhadap pengukuran warna wortel dan labu dengan latar belakang putih yang dilakukan melalui pengolahan citra juga dinyatakan dengan notasi Lab. Pengolahan data hasil pengukuran warna dengan pengolahan citra dan Chromameter dilakukan dengan menggunakan persamaan linier.

4.3.1 Pengukuran Warna pada Wortel Penentuan nilai Lab pengolahan citra dari parameter nilai Lab Chromameter dengan menggunakan model persamaan linier menghasilkan koefisien determinasi berturut-turut untuk Lab wortel adalah 0.548, 0.786 dan 0.749. Untuk nilai L dalam pengukuran warna pengolahan citra dan Chromameter pada wortel dengan latar belakang putih diperoleh hubungan korelasi positif agak rendah dengan persamaan regresi y = 0.734x + 22.91. Hal ini disebabkan karena sifat dari warna latar belakang yang dipakai. Pada warna hitam, semua spektrum cahaya diserap, oleh karena itu energi radiasi yang diterima pada warna hitam menjadi semakin besar seiring bertambahnya spekrum cahaya yang diserap. Sebaliknya, pada warna putih semua spektrum cahaya dipantulkan. Selain itu terdapat pengaruh interaksi cahaya terhadap objek yang sedang diukur, seperti pantulan, serapan, penyebaran dan bayangan sebagai akibat cahaya yang dihalangi oleh bagian objek tertentu. Kualitas lampu dan tingkat kecerahan yang berbeda-beda juga mempengaruhi nilai kecerahan. Karena perbedaan tingkat kecerahan pada lampu terlihat sangat jelas pada latar belakang warna putih, khususnya pada objek wortel. Oleh karena itu perlu dilakukan pengukuran intensitas cahaya terlebih dahulu sebelum pengambilan citra untuk memastikan bahwa intensitas cahaya pada saat pengambilan citra tetap. Akan tetapi pada penelitian ini, pengukuran intensitas cahaya tidak dilakukan karena keterbatan penelitian dan perlakuan penelitian bukan mengarah pada tingkat intensitas cahaya. Perubahan tegangan listrik yang cenderung fluktuatif juga mempengaruhi intensitas cahaya, sehingga dengan pengukuran intensitas cahaya ini diharapkan intensitas cahaya yang digunakan relatif sama selama pengukuran. Untuk nilai a dan b dalam pengukuran warna pengolahan citra dan Chromameter pada wortel dengan latar belakang putih diperoleh hubungan korelasi positif cukup tinggi dengan persamaan regresi untuk nilai a dan b masing-masing adalah y = 0.851x - 5.500 dan y = 1.130x - 5.712. Hal ini dikarenakan nilai a dan b pada sistem warna Lab merupakan indeks warna kromatik sehingga ketika objek tersebut dikenai sinar putih maka objek akan memantulkan warna kromatik tersebut. Jika sebuah benda jika disorot warna putih dan benda tersebut memantulkan sebagian besar energi dengan frekuensi (600-700nm) maka akan terlihat warna merah begitu pula dengan frekuensi warna hijau (Ciptayani 2011). Nilai gradien Lab masing-masing adalah 0.734, 0.851, dan 1.130. Jika nilai gradien sama dengan satu (m=1) berarti hasil pengukuran pengolahan citra sama dengan hasil pengukuran Chromameter. Untuk grafik nilai L, ketika nilai Chromameter naik maka kenaikan nilai pengolahan citra tidak sebesar Chromameter yaitu hanya 0.734nya Chromameter. Hubungan antara nilai Lab pada wortel latar belakang putih hasil pengukuran pengolahan citra dengan Chromameter dapat dilihat pada Gambar 26, 27, dan 28. Data hasil pengukuran warna wortel latar dengan belakang putih pada pengolahan citra dan Chromameter dapat dilihat pada Lampiran 4.

29

60

Nilai L Chromameter

59 58 57 56 55 y = 0.734x + 22.91 R² = 0.548

54 53 52 51 38

40

42

44

46

48

50

Nilai L pengolahan citra

Gambar 26. Hubungan antara nilai L hasil perhitungan wortel latar belakang putih pengolahan citra dengan Chromameter

29

Nilai a Chromameter

27 25

y = 0.851x - 5.500 R² = 0.786

23 21 19 17 15 25

27

29

31

33

35

37

Nilai a pengolahan citra

Gambar 27. Hubungan antara nilai a hasil perhitungan wortel latar belakang putih pengolahan citra dengan Chromameter

30

43

Nilai b pada Chromameter

41 39 37 35 33 31

y = 1.130x - 5.712 R² = 0.749

29 27 25 28

30

32

34

36

38

40

Nilai b pada IP

Gambar 28. Hubungan antara nilai b hasil perhitungan wortel latar belakang putih pengolahan citra dengan Chromameter

4.2.2 Pengukuran Warna pada Labu Grafik hubungan antara nilai Lab pada labu latar belakang putih hasil pengukuran pengolahan citra dengan Chromameter disajikan pada Gambar 29, 30, dan 31. Dari grafik hubungan antara nilai Lab pada labu hasil pengukuran pengolahan citra dengan Chromameter, diperoleh persamaan regresi y = 0.977x + 22.76, y = 0.975x - 10.4, dan y = 1.050x + 11.72 dengan nilai koefisien determinasi berturut-turut adalah 0.793, 0.802, dan 0.779. Data hasil pengukuran warna labu latar dangan belakang hitam pada pengolahan citra dan Chromameter dapat dilihat pada Lampiran 5. Berdasarkan nilai koefisien determinasi yang dihasilkan dari grafik tersebut, maka dapat disimpulkan bahwa model regresi yang dihasilkan memiliki hubungan yang sangat kuat. Untuk nilai Lab hasil pengukuran warna pengolahan citra dan Chromameter pada wortel dengan latar belakang putih diperoleh hubungan korelasi positif cukup tinggi. Hal ini menunjukkan bahwa semakin tinggi nilai Lab pada Chromameter maka semakin tinggi pula nilai Lab pada pengolahan citra, begitu pula sebaliknya. Nilai gradien pada grafik nilai Lab tinggi, hal ini menunjukkan bahwa nilai hasil pengukuran pengolahan citra mendekati nilai hasil pengukuran Chromameter. Pada labu nilai koefisien determinasinya lebih besar dari pada nilai koefisien determinasi pada wortel, hal ini disebabkan oleh cahaya yang dikeluarkan oleh benda tersebut dipengaruhi oleh cahaya yang berasal dari sumber cahaya. Warna wortel yang terang dan warna latar belakang yang putih menyebabkan warna objek menjadi tambah terang. Sebaliknya pada labu, warna labu yang digunakan dalam penelitian adalah warna hijau agak tua, sehingga ketika diberi cahaya putih warna objek akan terlihat terang. Hal ini berkaitan dengan nilai ambang yang ditentukan pada nilai Thresholding yang digunakan untuk melakukan binerisasi terhadap data citra. Nilai ambang yang terlalu rendah atau terlalu tinggi akan menghasilkan proses segmentasi citra yang kurang bagus.

31

Menurut Ahmad (2005), dalam hal binerisasi melalui perangkat lunak, setiap citra dengan karakteristik pencahayaan tertentu memerlukan nilai thresholding tertentu yang mungkin tidak cocok untuk citra lainnya. Jadi nilai threshold yang sama mungkin tidak dapat diterapkan dengan hasil yang baik pada dua citra yang berbeda karakteristiknya. Oleh karena itu nilai threshold biasanya dipilih berdasarkan pengamatan pada citra yang disegmentasi. Besarnya nilai batas (nilai threshold) untuk operasi binerisasi dimasukkan secara manual memalui keyboard. Dengan demikian proses binerisasi tidak dapat terjadi dengan sendirinya di dalam program, karena menunggu sampai nilai threshold dimasukkan oleh pemakai program. Dalam penelitian ini nilai batas dimasukkan di dalam program sebagai konstanta agar program dapat melakukan operasi binerisasi tanpa menunggu masukan dari pemakai, sehingga program menjadi terbatas penggunaannya, yaitu untuk citra-citra sejenis dengan sifat-sifat pencahayaan yang mirip satu sama lain. Sehingga dalam hal ini setiap objek dengan latar berbeda mempunyai nilai threshold masing-masing. Sehingga hasil segmentasi citra setiap citra akan berbeda-beda karena bentuk, ukuran dan warna setiap citra juga berbeda. Selain itu tingkat keseragaman pencahayaan yang kurang juga mempengaruhi hasil pengukuran karena pencahayaan hanya dilakukan pada bagian atas, sehingga hanya bagian atas yang terlihat terang sedangkan bagian samping objek tidak memperoleh pencahayaan yang cukup. Untuk dapat memilih nilai batas atau nilai threshold yang tepat secara otomatis, pengetahuan tentang objek dalam pemandangan, pengetahuan tentang aplikasi dan pengetahuan tentang lingkungan harus digunakan di dalam algoritma program komputer yang dikembangkan. Penggunaan pengetahuan ini akan diaplikasikan dalam bentuk pemilihan nilai threshold yang lebih umum dan bersifat dinamis sesuai dengan kedinamisan karakteristik yang dikandung oleh citra yang akan diproses, daripada nilai threshold yang tetap. Pengetahuan tentang karakteristik citra yang dimaksud mungkin meliputi sifat intensitas dari objek, ukuran objek, bagian dari citra yang ditempati objek, jumlah dan jenis yang berbeda dari objek-objek yang muncul dalam citra (Ahmad 2005).

60 58

Nilai L Chromameter

56 54 52 50 48 y = 0.977x + 22.76 R² = 0.793

46 44 42 40 20

22

24

26

28

30

32

34

36

38

Nilai L pengolahan citra

Gambar 29. Hubungan antara nilai L hasil perhitungan labu latar belakang putih pengolahan citra dengan Chromameter

32

-7

-6

-5

-4

-3 -12

Nilai a Chromameter

-13

-14 y = 0.975x - 10.45 R² = 0.802 -15

-16

-17

-18

Nilai a pengolahan citra

Gambar 30. Hubungan antara nilai a hasil perhitungan wortel latar belakang hitam pengolahan citra dengan Chromameter

45

Nilai b Chromameter

40

35

30 y = 1.050x + 11.72 R² = 0.779 25

20 14

16

18

20

22

24

26

28

Nilai b pengolahan citra

Gambar 31. Hubungan antara nilai b hasil perhitungan wortel latar belakang hitam pengolahan citra dengan Chromameter

33

BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan 1. 2.

Program yang telah dibuat dapat digunakan untuk pengukuran warna dalam model warna RGB dan Lab dengan menggunakan kamera CCD dan image processing. Hasil pengukuran warna pada wortel dan labu dengan menggunakan latar belakang warna hitam menghasilkan nilai koefisien determinasi Lab yang lebih tinggi yaitu sebesar 0.827, 0.820, dan 0.826 untuk wortel, dan 0.905, 0.813, dan 0.867 untuk labu. Sedangkan hasil pengukuran warna pada wortel dan labu dengan menggunakan latar belakang warna putih menghasilkan nilai koefisien determinasi 0.548, 0.786, dan 0.749 untuk wortel, serta 0.793, 0.802, dan 0.779 untuk labu.

5.2 Saran 1.

2. 3. 4. 5.

Sebaiknya pengukuran warna pada Chromameter dilakukan lebih dari tiga kali mengingat Chromameter hanya dapat mengukur warna dengan diameter 3-5 mm pada bidang objek, sedangkan image processing dapat mengukur kurang lebih setengah bagian objek. Sebelum pengambilan data sebaiknya dilakukan pengukuran terhadap intensitas cahaya lampu yang digunakan dan dijaga kestabilannya selama periode pengukuran. Perlu dirancang penyusunan lampu LED agar pencahayaan lebih seragam sehingga hasilnya lebih akurat. Algoritma yang dikembangkan perlu diuji coba pada bahan pertanian dengan keragaman yang tinggi. Kestabilan tegangan listrik yang digunakan sebagai sumber arus lampu LED selama pengukuran sebaiknya dijaga.

34

DAFTAR PUSTAKA

Ahmad U. 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya. Yogyakarta: Graha Ilmu. Ahmad U. 2009. 10 Langkah Membuat Program Pengolah Citra Menggunakan Visual C#. Yogyakarta: Graha Ilmu. Anonim.2011. Tinjauan Pustaka. http://repository.upi.edu/operator/upload/s_d0451_0607572_chapter2.pdf [ 21 Juli 2011] Arymurthy AM, Setiawan S. 1992. Pengantar Pengolahan Citra. Jakarta: PT Elex Media Komputindo. Bertha. 2010. Warna Dalam Bahan Pangan. http://btagallery.blogspot.com/2010/03/warna-dalam-bahan-pangan-warna.html [ 11 Maret 2011] Ciptayani PI. 2011. Pencahayaan. xa.yimg.com/kq/groups/22040295/1099626038/.../PENCAHAYAAN.pptx Faizal I. 2006. Aplikasi Image Processing Untuk Pemutuan Cabai Merah (Capsicum annum L). [Skripsi]. Bogor. Program Sarjana, Institut Pertanian Bogor. Indrasanja. 2011. Tinjauan Pustaka Teori Pengolahan Citra. http://elib.unikom.ac.id/files/disk1/316/jbptunikompp-gdl-indrasanja-15763-3-14babii.pdf [11 Maret 2011]. Plataniotis KN, Venetsanopoulos AN. 2000.Color Image Processing and Applications. New York: Springer-Verlag. Purwantana B. 2005. Sifat Optik Bahan. http://www.bambangpurwantana.staff.ugm.ac.id/handout2.html [15 Maret 2011] Rizali Y. 2007. Pengembangan Algoritma Image Processing Untuk Menentukan Tingkat Kematangan Buah Tomat Segar. [Skripsi]. Bogor. Program Sarjana, Institut Pertanian Bogor. Setyaningsih D, Apriyantono A, Sari MP. 2010. Analisis Sensori Untuk Industri Pangan dan Agro. Bogor: IPB Press. Suhendra, Adang. 2011. Catatan Kuliah Pengantar Pengolahan Citra. http://openstorage.gunadarma.ac.id/handouts/S1_TEKNIKINFORMATIKA/PengolahanCitra .pdf [ 11 Maret 2011] Suyatma, Nugraha E. 2009. Analisis Warna. Anpang+Lanjut+-+Analisis+Warna+2009+NES.ppt [11 Maret 2011] Usman H, Akbar PS. 2008. Pengantar Statistika. Jakarta: PT Bumi Aksara. Utama, I Made S. 2010. Pascapanen Produk Segar Hortikultura.

35

http://staff.unud.ac.id/~madeutama/wp-content/uploads/2010/10/PASCAPANENPRODUK-SEGAR-HORTIKULTURA.pdf [17 Maret 2011]

36

LAMPIRAN

37

Lampiran 1. Diagram alir algoritma image processing untuk pengukuran warna

Mulai

File citra warna

Binerisasi

Citra biner

Analisis warna

Nilai RGB, XYZ, Lab

Selesai

38

Lampiran 2. Data hasil pengukuran warna wortel dengan latar belakang hitam pada pengolahan citra dan Chromameter

No

1 2 3 4 5 6 7 8 9 10 11 12

Hasil Pengukuran Pengolahan Citra

NamaFile

Mhela_S\Desktop\Wortel\latar hitam\1.bmp Mhela_S\Desktop\Wortel\latar hitam\2.bmp Mhela_S\Desktop\Wortel\latar hitam\3.bmp Mhela_S\Desktop\Wortel\latar hitam\4.bmp Mhela_S\Desktop\Wortel\latar hitam\5.bmp Mhela_S\Desktop\Wortel\latar hitam\6.bmp Mhela_S\Desktop\Wortel\latar hitam\7.bmp Mhela_S\Desktop\Wortel\latar hitam\9.bmp Mhela_S\Desktop\Wortel\latar hitam\10.bmp Mhela_S\Desktop\Wortel\latar hitam\13.bmp Mhela_S\Desktop\Wortel\latar hitam\16.bmp Mhela_S\Desktop\Wortel\latar hitam\17.bmp

Hasil Pengukuran Chromameter

R

G

B

X

Y

Z

L

a

b

L

a

b

155

111

59

114.43

116.29

72.18

49.94

11.98

35.04

55.46

22.85

35.67

143

105

58

107.22

109.46

70.46

47.14

10

31.67

53.24

20.99

31.83

149

103

58

109.12

109.5

70.3

47.35

13.74

32.18

53.52

24.18

32.51

153

112

63

115.19

117.57

76.68

50.24

10.48

32.92

55.24

19.76

32.04

156

116

64

117.44

120.48

77.71

51.39

9.81

34.12

56.73

18.7

33.15

163

117

63

121.06

123.29

77.38

52.7

12.05

36.19

57.53

21.92

35.71

148

101

55

107.52

107.98

67.43

46.73

13.67

33.03

53.94

23.81

32.75

146

100

55

106.24

106.57

67.08

46.22

13.71

32.44

52.52

23.84

31.79

157

111

59

115.54

117.12

72.29

50.4

12.74

35.53

54.55

22.35

34.16

143

98

52

103.84

104.53

63.66

45.41

13.11

33.11

52.69

24.01

32.41

160

117

68

120.67

122.93

82.02

52.41

11.14

33.13

57.2

20.63

31.77

165

123

71

125.35

128.31

85.32

54.55

10.45

34.27

58.08

20.37

33.75

39

No

13 14 15 16 17 18 19 20 21 22 23 24 25

NamaFile

Mhela_S\Desktop\Wortel\latar hitam\18.bmp Mhela_S\Desktop\Wortel\latar hitam\19.bmp Mhela_S\Desktop\Wortel\latar hitam\24.bmp Mhela_S\Desktop\Wortel\latar hitam\25.bmp Mhela_S\Desktop\Wortel\latar hitam\27.bmp Mhela_S\Desktop\Wortel\latar hitam\28.bmp Mhela_S\Desktop\Wortel\latar hitam\29.bmp Mhela_S\Desktop\Wortel\latar hitam\30.bmp Mhela_S\Desktop\Wortel\latar hitam\31.bmp Mhela_S\Desktop\Wortel\latar hitam\33.bmp Mhela_S\Desktop\Wortel\latar hitam\34.bmp Mhela_S\Desktop\Wortel\latar hitam\35.bmp Mhela_S\Desktop\Wortel\latar hitam\36.bmp

Hasil Pengukuran Chromameter

Hasil Pengukuran Pengolahan Citra R

G

B

X

Y

Z

L

a

b

L

a

b

164

121

65

123.09

126.28

78.94

53.8

10.65

36.89

57.81

20.61

36.34

156

110

60

114.63

115.93

73.57

49.81

12.82

34.04

54.62

23.37

33.65

165

119

66

122.51

124.56

80.06

53.16

12.28

35.42

55.79

22.53

34.78

151

110

61

112.7

114.96

73.81

49.35

10.65

33.04

55.62

20.73

32.72

156

112

65

116.07

117.7

77.72

50.45

11.93

32.58

55.21

21.39

31.71

150

107

58

110.92

112.76

70.9

48.52

11.5

33.65

54.74

21.01

35.23

152

115

71

116.91

119.56

83.98

50.94

9.44

29.73

54.87

18.41

30.13

157

116

57

116.66

120.17

70.94

51.41

9.76

37.68

56.17

18.93

35.97

160

118

65

120.5

123.47

79.43

52.62

10.22

34.85

57.08

20.65

34.35

154

112

62

114.83

116.98

75.38

50.17

11.19

33.52

56.29

21.15

33.66

149

106

56

109.72

111.6

69.11

48.04

11.51

33.98

54.25

21.34

35.13

157

117

71

119.5

121.94

84.73

51.89

10.18

30.74

56.94

20.37

31.03

159

112

65

117.61

118.62

78.44

50.9

13.15

32.86

56.12

22.77

32.22

40

No

26 27 28 29 30 31 32 33 34 35 36 37 38

NamaFile

Mhela_S\Desktop\Wortel\latar hitam\40.bmp Mhela_S\Desktop\Wortel\latar hitam\42.bmp Mhela_S\Desktop\Wortel\latar hitam\44.bmp Mhela_S\Desktop\Wortel\latar hitam\45.bmp Mhela_S\Desktop\Wortel\latar hitam\46.bmp Mhela_S\Desktop\Wortel\latar hitam\49.bmp Mhela_S\Desktop\Wortel\latar hitam\50.bmp Mhela_S\Desktop\Wortel\latar hitam\53.bmp Mhela_S\Desktop\Wortel\latar hitam\55.bmp Mhela_S\Desktop\Wortel\latar hitam\59.bmp Mhela_S\Desktop\Wortel\latar hitam\60.bmp Mhela_S\Desktop\Wortel\latar hitam\63.bmp Mhela_S\Desktop\Wortel\latar hitam\64.bmp

Hasil Pengukuran Pengolahan Citra

Hasil Pengukuran Chromameter

R

G

B

X

Y

Z

L

a

b

L

a

b

154

115

66

116.62

119.52

79.35

50.98

9.61

32.49

56.4

19.06

32.09

158

114

63

117.48

119.78

76.43

51.22

11.26

34.57

56.11

22.59

35.2

164

116

62

120.58

122.21

75.61

52.42

13.27

36.75

55.54

22.01

34.35

149

108

58

111.09

113.47

70.89

48.66

10.57

33.92

54.41

21.89

34.86

153

113

67

115.92

118.38

79.89

50.59

10.12

31.46

54.4

19.83

32.36

145

103

56

106.79

108.35

67.88

46.75

11.48

32.7

54.3

21.97

33.34

148

104

57

108.84

109.95

69.05

47.5

12.65

33.13

54.06

22.31

32.91

141

95

53

102.1

101.99

64.8

44.41

14.01

30.95

51.5

25.32

31.69

154

118

71

118.6

122.18

84.09

51.91

8.11

31.11

57.33

19.1

30.45

149

108

61

111.49

113.46

73.77

48.68

10.96

32.32

53.81

19.89

32.51

140

102

60

105.2

107.1

71.54

46.08

10.02

29.55

54.17

19.49

30.23

151

111

67

114.53

116.68

79.48

49.91

10.47

30.74

54.85

20.09

30.44

156

112

56

115.1

117.69

69.97

50.53

11.23

37.06

55.54

21.88

35.29

41

No

39 40 41 42 43 44 45 46 47 48 49 50

NamaFile

Mhela_S\Desktop\Wortel\latar hitam\69.bmp Mhela_S\Desktop\Wortel\latar hitam\70.bmp Mhela_S\Desktop\Wortel\latar hitam\71.bmp Mhela_S\Desktop\Wortel\latar hitam\75.bmp Mhela_S\Desktop\Wortel\latar hitam\77.bmp Mhela_S\Desktop\Wortel\latar hitam\81.bmp Mhela_S\Desktop\Wortel\latar hitam\82.bmp Mhela_S\Desktop\Wortel\latar hitam\84.bmp Mhela_S\Desktop\Wortel\latar hitam\85.bmp Mhela_S\Desktop\Wortel\latar hitam\88.bmp Mhela_S\Desktop\Wortel\latar hitam\90.bmp Mhela_S\Desktop\Wortel\latar hitam\96.bmp

Hasil Pengukuran Pengolahan Citra

Hasil Pengukuran Chromameter

R

G

B

X

Y

Z

L

a

b

L

a

b

157

116

66

118.77

121.51

79.81

51.9

10.28

33.42

56.39

21.63

34.7

145

103

58

107.45

108.6

70.3

46.82

11.98

31.48

54.17

22.49

31.34

163

113

61

118.88

119.85

74.9

51.5

14.03

35.78

56.77

23.29

34.98

148

102

50

106.75

108.08

62.6

46.85

12.73

35.79

53.26

22.88

34.75

154

106

61

112.64

112.89

73.59

48.7

14.2

32.44

54.05

24.04

32.27

154

109

60

113.44

114.89

73.16

49.4

12.46

33.71

54.6

21.71

33.12

151

111

61

113.38

115.96

73.98

49.71

10.23

33.63

54.36

20.63

32.73

161

116

63

119.46

121.75

76.53

52.12

11.58

35.7

55.76

21.23

34.13

153

117

66

117.07

120.69

79.38

51.37

8.34

33.02

55.72

19.15

33.59

160

118

68

120.66

123.28

81.97

52.54

10.49

33.3

56.24

20.87

32.62

140

103

64

106.07

107.78

75.39

46.17

10.01

27.64

52.96

19.91

28.38

156

111

63

115.98

117.43

76.37

50.32

12.37

33.26

55.96

23.38

33.71

42

Lampiran 3. Data hasil pengukuran warna labu dengan latar belakang hitam pada pengolahan citra dan Chromameter

No

1 2 3 4 5 6 7 8 9 10 11 12

NamaFile

D:\DATA PENELITIAN\Labu\hitam\1.bmp D:\DATA PENELITIAN\Labu\hitam\5.bmp D:\DATA PENELITIAN\Labu\hitam\7.bmp D:\DATA PENELITIAN\Labu\hitam\9.bmp D:\DATA PENELITIAN\Labu\hitam\10.bmp D:\DATA PENELITIAN\Labu\hitam\11.bmp D:\DATA PENELITIAN\Labu\hitam\14.bmp D:\DATA PENELITIAN\Labu\hitam\15.bmp D:\DATA PENELITIAN\Labu\hitam\16.bmp D:\DATA PENELITIAN\Labu\hitam\21.bmp D:\DATA PENELITIAN\Labu\hitam\24.bmp D:\DATA PENELITIAN\Labu\hitam\28.bmp

Hasil Pengukuran Chromameter

Hasil Pengukuran Pengolahan Citra R

G

B

X

Y

Z

L

a

b

L

a

b

96

131

63

98.04

118.52

77.61

50.44

-24.24

32.14

56.57

-15.54

35.48

86

119

56

88.39

107.74

68.93

46.19

-23.68

30.81

53.25

-15.84

34.96

61

86

40

63.18

77.23

49.52

33.41

-18.5

23.48

49.08

-14.39

31.6

66

93

42

68.02

83.31

52.67

36.04

-19.83

25.45

45.88

-15.16

30.19

72

103

47

75.18

92.33

58.44

39.83

-21.88

27.63

48.35

-15.45

33.79

67

94

43

69.07

84.42

53.69

36.52

-19.84

25.48

47.5

-15.37

31.11

95

131

63

97.39

118.3

77.14

50.34

-24.92

32.37

56.01

-16.15

36.47

92

126

63

94.52

114.15

76.82

48.65

-23.5

30.05

54.31

-15.99

37.15

81

115

56

84.67

103.35

68.49

44.36

-23.23

28.51

50.23

-15.4

32

118

155

82

118.99

141.86

98.48

59.44

-25.61

33.97

60.53

-15.96

37.68

85

117

61

88.1

106.19

74

45.36

-22.06

26.91

52.82

-15.31

31.84

68

96

45

70.51

86.36

55.71

37.32

-20.5

25.56

48.04

-14.89

31.07

43

No

13 14 15 16 17 18 19 20 21 22 23 24 25

NamaFile

D:\DATA PENELITIAN\Labu\hitam\30.bmp D:\DATA PENELITIAN\Labu\hitam\32.bmp D:\DATA PENELITIAN\Labu\hitam\33.bmp D:\DATA PENELITIAN\Labu\hitam\34.bmp D:\DATA PENELITIAN\Labu\hitam\36.bmp D:\DATA PENELITIAN\Labu\hitam\38.bmp D:\DATA PENELITIAN\Labu\hitam\40.bmp D:\DATA PENELITIAN\Labu\hitam\42.bmp D:\DATA PENELITIAN\Labu\hitam\43.bmp D:\DATA PENELITIAN\Labu\hitam\45.bmp D:\DATA PENELITIAN\Labu\hitam\46.bmp D:\DATA PENELITIAN\Labu\hitam\47.bmp D:\DATA PENELITIAN\Labu\hitam\49.bmp

Hasil Pengukuran Chromameter

Hasil Pengukuran Pengolahan Citra R

G

B

X

Y

Z

L

a

b

L

a

b

102

138

72

104.77

125.89

86.73

53.22

-24.7

31.34

57.86

-16.07

36.12

69

100

49

73.24

89.55

59.92

38.55

-20.92

25.06

47.69

-15.37

29.35

81

113

57

84.46

102.47

69.56

43.95

-22.31

27.27

50.74

-15.6

32.08

57

84

40

60.73

75.03

48.91

32.52

-19.32

22.58

43.82

-14.58

25.66

59

85

42

62.68

76.67

51.63

33.17

-18.61

21.86

45.31

-14.91

27.45

78

108

57

80.97

97.57

68.14

41.88

-20.59

25.02

49.05

-14.98

31.08

75

104

50

77.11

93.95

61.17

40.46

-21.24

26.97

51.32

-15.29

33.12

68

97

48

71.79

87.57

58.51

37.82

-20.24

24.64

47.19

-15.15

30.8

65

94

44

68.78

84.61

54.44

36.58

-20.61

25.28

46.67

-15.05

29.2

93

128

64

96.09

116.23

77.66

49.42

-24.05

30.8

54.37

-16.09

35.32

66

97

42

69.68

86.42

52.49

37.46

-21.81

27.54

48.28

-15.15

33.46

71

100

50

74.46

90.57

61.29

39.01

-20.51

24.85

46.93

-14.76

30.69

114

152

79

115.62

138.49

95.09

58.2

-25.94

33.95

57

-16.5

37.31

44

No

26 27 28 29 30 31 32 33 34 35 36 37 38

D:\DATA PENELITIAN\Labu\hitam\51.bmp D:\DATA PENELITIAN\Labu\hitam\54.bmp D:\DATA PENELITIAN\Labu\hitam\55.bmp D:\DATA PENELITIAN\Labu\hitam\56.bmp D:\DATA PENELITIAN\Labu\hitam\60.bmp D:\DATA PENELITIAN\Labu\hitam\64.bmp D:\DATA PENELITIAN\Labu\hitam\65.bmp D:\DATA PENELITIAN\Labu\hitam\66.bmp D:\DATA PENELITIAN\Labu\hitam\68.bmp D:\DATA PENELITIAN\Labu\hitam\69.bmp D:\DATA PENELITIAN\Labu\hitam\70.bmp D:\DATA PENELITIAN\Labu\hitam\71.bmp D:\DATA PENELITIAN\Labu\hitam\77.bmp

Hasil Pengukuran Chromameter

Hasil Pengukuran Pengolahan Citra

NamaFile R

G

B

X

Y

Z

L

a

b

L

a

b

62

90

46

66.21

80.81

55.42

34.91

-19.2

22.21

46.11

-15.2

27.44

72

104

47

75.36

92.9

58.76

40.13

-22.49

27.83

50.98

-15.94

33.28

80

110

56

82.37

99.48

67.91

42.65

-21.11

26.35

51.3

-15.51

32.84

63

92

41

66.42

82.3

50.95

35.7

-20.97

25.91

46.33

-15.13

29.64

84

119

58

87.93

107.1

71.11

45.84

-23.58

29.19

52.26

-16.19

34.96

79

112

55

82.57

100.61

66.78

43.21

-22.44

27.79

51.51

-15.57

32.66

75

104

54

78.05

94.32

65.19

40.55

-20.39

24.78

47.81

-15.25

31

107

147

73

110.41

133.57

89.17

56.43

-26.97

34.53

59.58

-16.49

38.03

80

111

53

82.42

100.32

65.2

43.14

-22.21

28.47

51.89

-15.56

33.96

94

126

66

96.01

115.02

79.16

48.86

-22.41

29.12

54.94

-15.35

34.04

67

98

45

71.1

87.75

55.61

38

-21.67

26.53

49.62

-15.18

33.01

73

104

51

76.74

93.7

62.68

40.33

-21.51

25.99

49.88

-15.26

31.91

67

98

46

70.84

87.55

56.27

37.92

-21.89

26.06

48.6

-15.2

31.82

45

No

39 40 41 42 43 44 45 46 47 48 49 50

D:\DATA PENELITIAN\Labu\hitam\78.bmp D:\DATA PENELITIAN\Labu\hitam\79.bmp D:\DATA PENELITIAN\Labu\hitam\81.bmp D:\DATA PENELITIAN\Labu\hitam\82.bmp D:\DATA PENELITIAN\Labu\hitam\83.bmp D:\DATA PENELITIAN\Labu\hitam\84.bmp D:\DATA PENELITIAN\Labu\hitam\85.bmp D:\DATA PENELITIAN\Labu\hitam\86.bmp D:\DATA PENELITIAN\Labu\hitam\87.bmp D:\DATA PENELITIAN\Labu\hitam\96.bmp D:\DATA PENELITIAN\Labu\hitam\97.bmp D:\DATA PENELITIAN\Labu\hitam\98.bmp

Hasil Pengukuran Chromameter

Hasil Pengukuran Pengolahan Citra

NamaFile R

G

B

X

Y

Z

L

a

b

L

a

b

57

84

43

61.18

74.96

52.22

32.35

-18.52

20.47

44.5

14.25

25.43

80

108

53

81.23

98.16

64.47

42.18

-20.82

27.52

51.63

77

108

53

80.32

97.74

64.7

42.02

-21.81

27.23

50.35

64

92

47

67.84

82.68

57.23

35.67

-19.33

22.33

47.18

64

93

45

67.7

83.02

55.19

35.91

-20.08

23.8

47.71

85

118

59

88.18

107.03

72.3

45.81

-23.17

28.41

53

68

94

47

70.44

85.29

57.28

36.77

-18.97

23.82

50.35

70

101

51

74.27

90.61

61.52

39.07

-20.95

24.76

47.33

85

116

62

87.9

105.53

74.45

44.96

-21.34

26.2

52.84

83

116

57

85.8

104.29

69.27

44.72

-22.76

28.53

52.39

66

93

44

68.37

83.42

54.07

36.05

-19.47

24.66

49.28

63

93

45

67.48

83.14

55.04

35.99

-20.71

24.02

46.67

15.14 15.69 14.56 15.23 15.77 14.62 16.14 -15.5 15.97 14.84 15.12

34.01 33.42 28.84 29.93 33.66 31.94 30.75 33.26 34.35 30.77 29.11

46

Lampiran 4. Data hasil pengukuran warna wortel dengan latar belakang putih pada pengolahan citra dan Chromameter

No

1 2 3 4 5 6 7 8 9 10 11 12

Mhela_S\Desktop\Wortel\latar putih\1.bmp Mhela_S\Desktop\Wortel\latar putih\2.bmp Mhela_S\Desktop\Wortel\latar putih\5.bmp Mhela_S\Desktop\Wortel\latar putih\9.bmp Mhela_S\Desktop\Wortel\latar putih\10.bmp Mhela_S\Desktop\Wortel\latar putih\11.bmp Mhela_S\Desktop\Wortel\latar putih\12.bmp Mhela_S\Desktop\Wortel\latar putih\15.bmp Mhela_S\Desktop\Wortel\latar putih\17.bmp Mhela_S\Desktop\Wortel\latar putih\18.bmp Mhela_S\Desktop\Wortel\latar putih\24.bmp Mhela_S\Desktop\Wortel\latar putih\25.bmp

Hasil Pengukuran Chromameter

Hasil Pengukuran Pengolahan Citra

NamaFile R

G

B

X

Y

Z

L

a

b

L

a

b

167

81

47

106.82

97.09

57.81

44.83

32.58

35.83

55.46

22.85

35.67

159

80

46

102.57

94.01

56.56

43.21

30.01

34.14

53.24

20.99

31.83

159

81

45

102.97

94.74

55.57

43.48

29.74

35.14

56.73

18.7

33.15

164

75

45

102.68

91.76

54.45

43.03

34.19

35.1

52.52

23.84

31.79

163

80

48

104.84

95.55

58.76

43.99

31.31

34.03

54.55

22.35

34.16

160

83

49

104.76

96.73

59.83

44.11

29.05

33.57

55.9

18.18

31.64

165

84

52

107.95

99.24

63.03

45.26

30.28

33.41

56.66

20.69

33.55

169

83

50

108.48

98.64

60.45

45.44

32.62

35.15

56.08

21.98

31.64

167

87

52

109.56

101.29

62.74

46.06

29.92

34.75

58.08

20.37

33.75

171

83

46

108.89

98.98

57.23

45.79

33.37

37.5

57.81

20.61

36.34

170

82

49

108.6

98.49

59.3

45.52

33.28

35.93

55.79

22.53

34.78

165

83

48

106.54

97.58

59.11

44.78

31.05

34.98

55.62

20.73

32.72

47

No

13 14 15 16 17 18 19 20 21 22 23 24 25

Mhela_S\Desktop\Wortel\latar putih\27.bmp Mhela_S\Desktop\Wortel\latar putih\28.bmp Mhela_S\Desktop\Wortel\latar putih\30.bmp Mhela_S\Desktop\Wortel\latar putih\32.bmp Mhela_S\Desktop\Wortel\latar putih\33.bmp Mhela_S\Desktop\Wortel\latar putih\36.bmp Mhela_S\Desktop\Wortel\latar putih\38.bmp Mhela_S\Desktop\Wortel\latar putih\41.bmp Mhela_S\Desktop\Wortel\latar putih\42.bmp Mhela_S\Desktop\Wortel\latar putih\43.bmp Mhela_S\Desktop\Wortel\latar putih\46.bmp Mhela_S\Desktop\Wortel\latar putih\47.bmp Mhela_S\Desktop\Wortel\latar putih\48.bmp

Hasil Pengukuran Chromameter

Hasil Pengukuran Pengolahan Citra

NamaFile R

G

B

X

Y

Z

L

a

b

L

a

b

167

80

49

106.67

96.45

59.41

44.64

33.06

34.61

55.21

21.39

31.71

156

76

44

99.76

90.62

54.09

41.96

30.83

33.8

54.74

21.01

35.23

155

79

43

100.16

92.42

53.37

42.4

28.75

34.8

56.17

18.93

35.97

168

79

43

105.33

94.99

53.84

44.31

33.91

37.3

54.69

24.63

36.88

165

80

47

105.61

95.89

57.4

44.34

32.38

35.33

56.29

21.15

33.66

164

80

50

105.64

95.56

60.4

44.14

32.46

33.28

56.12

22.77

32.22

165

80

49

105.74

96.03

59.26

44.28

32.07

34.17

55.63

22.02

32.31

158

76

48

101.35

91.68

57.59

42.42

31.43

32.41

54.7

21.53

30.22

169

82

47

107.9

97.98

57.81

45.3

33.07

36.49

56.11

22.59

35.2

150

74

44

96.37

87.66

53.63

40.51

29.52

31.94

52.33

19.96

29.66

164

83

50

106.29

97.44

60.17

44.63

30.64

34.14

54.4

19.83

32.36

170

85

52

110.24

100.66

62.41

46.16

32.23

35.11

55.58

21.5

33.85

168

76

39

103.8

92.64

49.72

43.76

35.62

38.81

55.12

26.6

41.32

48

No

26 27 28 29 30 31 32 33 34 35 36 37 38

Hasil Pengukuran Pengolahan Citra

NamaFile

Mhela_S\Desktop\Wortel\latar putih\54.bmp Mhela_S\Desktop\Wortel\latar putih\55.bmp Mhela_S\Desktop\Wortel\latar putih\60.bmp Mhela_S\Desktop\Wortel\latar putih\64.bmp Mhela_S\Desktop\Wortel\latar putih\68.bmp Mhela_S\Desktop\Wortel\latar putih\69.bmp Mhela_S\Desktop\Wortel\latar putih\70.bmp Mhela_S\Desktop\Wortel\latar putih\71.bmp Mhela_S\Desktop\Wortel\latar putih\75.bmp Mhela_S\Desktop\Wortel\latar putih\77.bmp Mhela_S\Desktop\Wortel\latar putih\78.bmp Mhela_S\Desktop\Wortel\latar putih\79.bmp Mhela_S\Desktop\Wortel\latar putih\81.bmp

Hasil Pengukuran Chromameter

R

G

B

X

Y

Z

L

a

b

L

a

b

158

78

50

102.16

92.81

59.39

42.72

30.76

31.81

54.66

20.83

29.74

160

82

51

104.73

96.51

60.99

43.99

29.16

32.73

57.33

19.1

30.45

157

79

48

102.05

93.28

58.26

42.82

29.99

32.62

54.17

19.49

30.23

158

78

43

101.15

92.68

52.86

42.75

30.23

35.62

55.54

21.88

35.29

174

89

48

112.82

104.4

59.5

47.64

31.34

38.86

59.13

20.46

37.12

161

82

49

104.9

96.35

59.05

44.15

30.06

34.04

56.39

21.63

34.7

159

77

46

101.72

92.26

55.76

42.71

31.46

33.91

54.17

22.49

31.34

173

83

50

110.24

99.5

60.39

46.11

34.44

36.18

56.77

23.29

34.98

162

76

42

102.14

92.21

52.54

43

32.83

36.16

53.26

22.88

34.75

165

78

48

104.85

94.43

58.48

43.83

33.18

33.98

54.05

24.04

32.27

162

76

45

102.24

92.11

54.65

42.9

32.85

34.83

53.16

22.61

34.48

145

74

46

94.95

87.26

55.39

39.94

27.27

30.06

52.9

17.32

28.71

163

78

46

103.82

94.04

56.03

43.61

32.36

35.05

54.6

21.71

33.12

49

No

39 40 41 42 43 44 45 46 47 48 49 50

Mhela_S\Desktop\Wortel\latar putih\82.bmp Mhela_S\Desktop\Wortel\latar putih\84.bmp Mhela_S\Desktop\Wortel\latar putih\85.bmp Mhela_S\Desktop\Wortel\latar putih\86.bmp Mhela_S\Desktop\Wortel\latar putih\87.bmp Mhela_S\Desktop\Wortel\latar putih\88.bmp Mhela_S\Desktop\Wortel\latar putih\89.bmp Mhela_S\Desktop\Wortel\latar putih\92.bmp Mhela_S\Desktop\Wortel\latar putih\94.bmp Mhela_S\Desktop\Wortel\latar putih\98.bmp Mhela_S\Desktop\Wortel\latar putih\99.bmp Mhela_S\Desktop\Wortel\latar putih\100.bmp

Hasil Pengukuran Chromameter

Hasil Pengukuran Pengolahan Citra

NamaFile R

G

B

X

Y

Z

L

a

b

L

a

b

163

81

48

105.27

96.16

58.57

44.23

31.14

34.45

54.36

20.63

32.73

170

85

50

109.82

100.41

61.31

46.08

32.06

35.6

55.76

21.23

34.13

158

82

50

103.84

95.99

60.33

43.69

28.48

32.67

55.72

19.15

33.59

165

81

50

106.14

96.3

59.9

44.41

32.27

34

54.68

21.49

31.89

171

91

50

112.35

104.92

61.93

47.51

29.21

37.29

57.51

20.16

37.71

172

86

52

111.23

101.5

63.28

46.54

32.55

35.15

56.24

20.87

32.62

163

75

42

101.9

91.49

52.04

42.87

33.68

36.26

53.36

21.9

36.25

158

74

45

99.95

89.94

54.44

41.93

32.23

33.51

54.11

22.1

32.21

161

76

48

102.53

92.24

57.83

42.85

32.65

32.9

51.67

21.6

31.65

152

78

47

99.44

91.52

57.26

41.85

28.24

31.76

53.21

18.35

31.82

154

77

50

100.49

91.41

60.04

41.98

29.93

30.3

53.99

20.13

29.19

159

86

52

106.09

99.31

62.7

44.79

26.76

32.88

57.93

16.76

31.64

50

Lampiran 5. Data hasil pengukuran warna labu dengan latar belakang putih pada pengolahan citra dan Chromameter

No

1 2 3 4 5 6 7 8 9 10 11 12

Hasil Pengukuran Pengolahan Citra

NamaFile

D:\DATA PENELITIAN\Labu\putih\1.bmp D:\DATA PENELITIAN\Labu\putih\2.bmp D:\DATA PENELITIAN\Labu\putih\3.bmp D:\DATA PENELITIAN\Labu\putih\4.bmp D:\DATA PENELITIAN\Labu\putih\5.bmp D:\DATA PENELITIAN\Labu\putih\9.bmp D:\DATA PENELITIAN\Labu\putih\10.bmp D:\DATA PENELITIAN\Labu\putih\11.bmp D:\DATA PENELITIAN\Labu\putih\12.bmp D:\DATA PENELITIAN\Labu\putih\13.bmp D:\DATA PENELITIAN\Labu\putih\15.bmp D:\DATA PENELITIAN\Labu\putih\16.bmp

Hasil Pengukuran Chromameter

R

G

B

X

Y

Z

L

a

b

L

a

b

85

82

43

72.28

79.92

52.04

34.34

-5.41

23.48

56.57

-15.54

35.48

80

78

39

68.25

75.78

48.24

32.57

-5.67

23.19

53.39

-15.73

35.73

64

64

34

55.36

61.54

41.41

26.24

-5.32

18.03

49.09

-15.75

30.72

71

69

36

60.62

67.32

44.25

28.84

-5.41

20.11

50.29

-15.81

31.69

77

75

38

65.3

72.55

46.09

31.17

-5.56

22.43

53.25

-15.84

34.96

62

62

32

53.56

59.62

38.98

25.39

-5.17

18.33

45.88

-15.16

30.19

68

67

34

58.51

64.99

41.75

27.83

-5.17

20.19

48.35

-15.45

33.79

65

64

34

55.91

62.14

41.05

26.52

-5.21

18.69

47.5

-15.37

31.11

67

69

36

58.77

65.92

43.25

28.22

-6.54

19.81

51.51

-16.77

33.63

68

66

35

58.27

64.43

42.76

27.54

-4.75

19.14

48.37

-15.03

31.31

79

77

39

67.22

74.68

47.59

32.08

-5.67

22.86

54.31

-15.99

37.15

73

72

38

62.89

69.77

45.88

29.92

-5.42

20.72

50.23

-15.4

32

51

No

13 14 15 16 17 18 19 20 21 22 23 24 25

Hasil Pengukuran Pengolahan Citra

NamaFile

D:\DATA PENELITIAN\Labu\putih\22.bmp D:\DATA PENELITIAN\Labu\putih\24.bmp D:\DATA PENELITIAN\Labu\putih\26.bmp D:\DATA PENELITIAN\Labu\putih\28.bmp D:\DATA PENELITIAN\Labu\putih\30.bmp D:\DATA PENELITIAN\Labu\putih\31.bmp D:\DATA PENELITIAN\Labu\putih\32.bmp D:\DATA PENELITIAN\Labu\putih\34.bmp D:\DATA PENELITIAN\Labu\putih\36.bmp D:\DATA PENELITIAN\Labu\putih\41.bmp D:\DATA PENELITIAN\Labu\putih\43.bmp D:\DATA PENELITIAN\Labu\putih\44.bmp D:\DATA PENELITIAN\Labu\putih\49.bmp

Hasil Pengukuran Chromameter

R

G

B

X

Y

Z

L

a

b

L

a

b

75

75

38

64.85

72.26

46.7

31.02

-6.05

21.81

53.04

-16.13

34.51

72

71

37

61.82

68.56

45.11

29.38

-5.3

20.39

52.82

-15.31

31.84

67

67

34

57.96

64.89

41.48

27.78

-6.14

20.28

49.3

-16.19

33.16

65

63

34

55.66

61.56

40.83

26.26

-4.61

18.44

48.04

-14.89

31.07

82

80

41

70.16

77.76

50.18

33.41

-5.61

23.24

57.86

-16.07

36.12

68

67

35

58.37

64.96

42.86

27.8

-5.56

19.43

50.54

-16.05

31.92

64

64

34

55.7

61.84

41.23

26.34

-5.12

18.34

47.69

-15.37

29.35

55

54

30

47.82

52.75

36.45

22.23

-4.01

15.22

43.82

-14.58

25.66

55

54

30

47.36

52.45

36.03

22.09

-4.38

15.3

45.31

-14.91

27.45

71

71

36

61.27

68.38

43.87

29.33

-5.98

21.07

50.56

-16.66

34.58

64

63

33

54.96

61.08

40.45

26.05

-5.16

18.36

46.67

-15.05

29.2

77

76

38

66.09

73.48

46.72

31.57

-5.71

22.63

54.16

-15.98

36.77

90

88

44

76.39

84.92

53.7

36.51

-6.3

25.66

57

-16.5

37.31

52

No

26 27 28 29 30 31 32 33 34 35 36 37 38

D:\DATA PENELITIAN\Labu\putih\50.bmp D:\DATA PENELITIAN\Labu\putih\51.bmp D:\DATA PENELITIAN\Labu\putih\54.bmp D:\DATA PENELITIAN\Labu\putih\56.bmp D:\DATA PENELITIAN\Labu\putih\60.bmp D:\DATA PENELITIAN\Labu\putih\63.bmp D:\DATA PENELITIAN\Labu\putih\64.bmp D:\DATA PENELITIAN\Labu\putih\65.bmp D:\DATA PENELITIAN\Labu\putih\70.bmp D:\DATA PENELITIAN\Labu\putih\71.bmp D:\DATA PENELITIAN\Labu\putih\73.bmp D:\DATA PENELITIAN\Labu\putih\76.bmp D:\DATA PENELITIAN\Labu\putih\79.bmp

Hasil Pengukuran Chromameter

Hasil Pengukuran Pengolahan Citra

NamaFile R

G

B

X

Y

Z

L

a

b

L

a

b

72

72

37

61.99

69.1

44.79

29.64

-5.9

20.94

52.69

-16.4

34.69

59

58

32

50.96

56.52

38.27

23.97

-4.75

16.65

46.11

-15.2

27.44

71

69

36

60.5

67.13

43.82

28.76

-5.23

20.26

50.98

-15.94

33.28

66

64

34

56.08

62.03

41.01

26.46

-4.62

18.65

46.33

-15.13

29.64

73

72

37

62.86

70

45.36

30.04

-5.86

21.19

52.26

-16.19

34.96

70

69

35

60.02

66.73

43.18

28.59

-5.44

20.43

52.17

-16.03

34.05

70

69

35

59.78

66.49

43.19

28.49

-5.49

20.24

51.51

-15.57

32.66

65

64

34

56.25

62.28

41.56

26.59

-4.83

18.46

47.81

-15.25

31

67

66

35

57.44

63.66

42.6

27.19

-5.03

18.71

49.62

-15.18

33.01

67

67

35

58.05

64.5

42.39

27.58

-5.3

19.42

49.88

-15.26

31.91

69

67

34

58.99

65.31

42.08

27.97

-4.78

20.19

52.46

-14.95

33.8

62

61

34

53.61

59.49

40.44

25.31

-5.02

17.26

47.2

-15.81

29.48

69

67

34

58.67

65.11

41.8

27.88

-5.05

20.24

51.63

-15.14

34.01

53

No 39 40 41 42 43 44 45 46 47 48 49 50

Hasil Pengukuran Pengolahan Citra

NamaFile D:\DATA PENELITIAN\Labu\putih\80.bmp D:\DATA PENELITIAN\Labu\putih\81.bmp D:\DATA PENELITIAN\Labu\putih\82.bmp D:\DATA PENELITIAN\Labu\putih\83.bmp D:\DATA PENELITIAN\Labu\putih\84.bmp D:\DATA PENELITIAN\Labu\putih\85.bmp D:\DATA PENELITIAN\Labu\putih\86.bmp D:\DATA PENELITIAN\Labu\putih\91.bmp D:\DATA PENELITIAN\Labu\putih\92.bmp D:\DATA PENELITIAN\Labu\putih\93.bmp D:\DATA PENELITIAN\Labu\putih\96.bmp D:\DATA PENELITIAN\Labu\putih\98.bmp

Hasil Pengukuran Chromameter L a b

R

G

B

X

Y

Z

L

a

b

75

74

37

64.05

71.24

45.47

30.59

-5.66

21.95

53.52

-16.56

34.91

71

70

36

60.75

67.46

43.59

28.91

-5.31

20.64

50.35

-15.69

33.42

61

60

33

52.47

58.13

39.28

24.7

-4.71

17.11

47.18

-14.56

28.84

61

60

32

52.34

58.06

38.79

24.67

-4.79

17.38

47.71

-15.23

29.93

76

74

38

64.72

71.67

46.78

30.73

-5.22

21.37

53

-15.77

33.66

62

61

32

53.62

59.53

39.13

25.36

-4.89

18.18

50.35

-14.62

31.94

64

64

33

55.13

61.51

40.38

26.24

-5.61

18.7

47.33

-16.14

30.75

66

65

34

56.79

62.77

41.7

26.8

-4.61

18.7

52.97

-15.27

35.08

74

72

37

63.12

70.15

44.79

30.11

-5.47

21.68

51.77

-16.3

34.46

74

73

37

63.6

70.59

45.69

30.29

-5.42

21.38

47.88

-15.66

34.12

75

73

37

63.72

70.79

45.5

30.37

-5.53

21.64

52.39

-15.97

34.35

62

61

32

52.95

58.71

39.06

24.98

-4.75

17.66

46.67

-15.12

29.11

54