PENGEMBANGAN PERANGKAT EVALUASI MUTU TEH HITAM MENGGUNAKAN IMAGE PROCESSING
AVICIENNA ULHAQ MUQODAS
DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR BOGOR 2015
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Pengembangan Perangkat Evaluasi Mutu Teh Hitam Menggunakan Image Processing adalah benar karya saya dengan arahan dari Prof Kudang Boro Seminar dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, September 2015 Avicienna Ulhaq Muqodas NIM F14110108
ABSTRAK AVICIENNA ULHAQ MUQODAS. Pengembangan Perangkat Evaluasi Mutu Teh Hitam Menggunakan Image Processing. Dibimbing oleh KUDANG BORO SEMINAR. Saat ini, pengukuran mutu pada pabrik teh hitam masih bergantung pada keahlian mandor sebagai evaluator mutu manual. Hal ini menyebabkan bias dan inkonsistensi pada hasil sortasi. Oleh karena itu, diperlukan sebuah alat bantu yang objektif dan terstandarisasi sehingga kontrol mutu pada produksi teh hitam konsisten dan tidak dipengaruhi subyektifitas manusia. Penelitian ini menggunakan metode image processing dengan sampel yang diambil dari Pusat Penelitian Teh dan Kina, Gambung, Jawa Barat. Penelitian ini menggunakan dua buah algoritma jaringan syaraf tiruan. Dalam pengenalan kelas mutu, digunakan input berupa komponen warna RGB, indeks RGB, magenta, yellow, R/G, R/B. Sedangkan untuk mengenali grade mutu dari teh hitam digunakan input tekstur GLCM dan Tamura. Berdasarkan validasi, alat berhasil mengenali dengan sangat baik kelas mutu 1 dengan akurasi mencapai 98 %. Sedangkan untuk pendugaan grade mutu, alat yang dibangun berhasil mengenali secara sempurna dust dan BTL. Kata kunci: Image processing, jaringan syaraf tiruan, pengembangan perangkat, teh hitam
ABSTRACT AVICIENNA ULHAQ MUQODAS. Device Development for Quality Evaluation of Black Tea. Supervised by KUDANG BORO SEMINAR. Currently, the measurement of the quality of black tea factories still rely manually on the expertise foreman as a quality control. This leads to bias and inconsistencies in the results of sorting. Therefore, we need a tool that is objective and standardized so quality control in production of black tea are consistent and not influenced human subjectivity. This study used image processing method with samples taken from the Research Center for Tea and Cinchona, Gambung, West Java. This study uses two neural network models. In recognizing quality classes, used input of RGB color components, index RGB, magenta, yellow, R/G, R/B. Otherwise, for recognizing the quality grade of black tea used input GLCM and Tamura texture. From validation, the device successfully identify class 1 with accuracy of up to 98%. Otherwise, in grade estimation the device successfully recognizing perfectly dust, and BTL grade. Keywords: Artificial Neural Network, black tea, device development, image processing
PENGEMBANGAN PERANGKAT EVALUASI MUTU TEH HITAM MENGGUNAKAN IMAGE PROCESSING
AVICIENNA ULHAQ MUQODAS
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Teknik pada Departemen Teknik Mesin dan Biosistem
DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR BOGOR 2015
Judul Skripsi : Pengembangan Perangkat Evaluasi Mutu Teh Hitam Menggunakan Image Processing Nama : Avicienna Ulhaq Muqodas NIM : F14110108
Disetujui oleh
Prof Dr Ir Kudang B Seminar, MSc Pembimbing
Diketahui oleh
Dr Ir Desrial, MEng Ketua Departemen
Tanggal Lulus:
PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga penelitian ini berhasil diselesaikan. Terima kasih penulis ucapkan kepada : 1. Mama, dan Bapak atas segala kerja keras, pengorbanan dan dukungan yang diberikan tanpa henti kepada penulis. 2. Prof Dr Ir Kudang Boro Seminar MSc selaku pembimbing, yang dengan sabar dan penuh perhatian memberikan masukan, saran kepada penulis. Tidak hanya berupa bimbingan ilmiah, tetapi juga ruhaniyah. 3. Dr Ir Mohamad Solahudin yang berkenan menjadi teman diskusi, berbagi pengalaman seputar image processing. 4. Dr Slamet Widodo, STP, MSc yang berkenan mengajarkan jaringan syaraf tiruan, memberikan referensi paper, dan teknik menulis paper kepada penulis. Semangat menuju h-index 11 pak! 5. Dr Liyantono, STP, MAgr yang berkenan mengajarkan nilai-nilai kebaikan, sekaligus bersedia meluangkan waktu untuk menjadi penguji pada sidang akhir. 6. Dr Ir Rokhani Hasbullah, MSi yang berkenan mengoreksi, memberi masukan atas penelitian yag penulis lakukan sekaligus bersedia meluangkan waktu untuk menjadi penguji luar pada sidang akhir. 7. Supriyanto, STP, MKomp yang telah memberikan nasihat, dan menginspirasi penulis dalam melakukan eksperimen-eksperimen 'nakal'. Semoga segera mendapat gelar doktor, tetap ‘nakal’ pak! 8. Yogo, Amellia, Rindu, Nadia, Dila dan teman-teman forkom alims yang dengan sabar menghadapi keluhan, cerita, aksi liar penulis. Ukhuwah ini akan selamanya sampai ke jannah-Nya, insyaAllah. Penulis menyadari dalam penelitian ini masih terdapat banyak kekurangan, ataupun cacat. Kritik dan saran yang membangun sangat diharapkan. Seluruh sourcecode yang digunakan pada penlitian ini dapat diakses secara penuh di github.com/noxymon/ bagi pengunduh yang memodifikasi program, diarapkan membuat branch baru dan membuka source code bagi siapapun. Eureka !
Bogor, September 2015 Avicienna Ulhaq Muqodas
v
DAFTAR ISI DAFTAR GAMBAR DAFTAR TABEL DAFTAR LAMPIRAN PENDAHULUAN Latar Belakang Tujuan Penelitian TINJAUAN PUSTAKA Klasifikasi Teh Hitam Image Processing Pengukuran Tekstur Metode Jaringan Syaraf Tiruan Penelitian Terdahulu METODOLOGI Sampel Bahan yang Digunakan Klasifikasi Teh Hitam Pengolahan Citra Tahapan Penelitian Pengenalan Karakteristik Kamera Pengumpulan Sampel Pengenalan Warna dan Tekstur Pembuatan Perangkat Lunak Pembuatan Prototipe Alat Penyortir Validasi HASIL DAN PEMBAHASAN Pengenalan Karakteristik Kamera Luas Tangkapan Kualitas Fokus Citra Pengambilan Citra Uji Pemilihan Fitur Warna Pengenalan Tekstur Pembuatan Perangkat Lunak Pembuatan Prototipe Alat Validasi SIMPULAN DAN SARAN Simpulan Saran DAFTAR PUSTAKA
vi vi vii 1 1 1 2 2 2 4 6 6 7 7 7 7 9 9 9 9 9 10 12 12 12 12 13 13 14 15 16 17 19 21 21 22 22
vi
DAFTAR GAMBAR
Gambar 1 Tahapan - tahapan pada image processing (Sun 2000) 3 Gambar 2 Arsitektur JST yang digunakan untuk mengenali kelas berdasarkan warna 10 Gambar 3 Arsitektur JST untuk yang digunakan mengenali grade berdasarkan tekstur 10 Gambar 4 Hubungan luasan tertangkap dan tinggi kamera ( •) dan trend line (- - -) 13 Gambar 5 Hasil pengambilan citra uji 14 Gambar 6 Perbandingan nilai correctness dan jumlah fitur yang digunakan pada JST 15 Gambar 7 Nilai masing - masing fitur tekstur setiap kelas 15 Gambar 8 Algoritma perangkat lunak 16 Gambar 9 Dimensi dari kotak penutup 17 Gambar 10 Dimensi dari laci sampel 17 Gambar 11 Dimensi dari penutup kotak 18 Gambar 12 Desain alat yang dibangun 18 Gambar 13 Alat uji mutu teh hitam 19 Gambar 14 Akurasi setiap kelas dan akurasi setiap grade 20 Gambar 15 Scatter plot warna dari citra pendahuluan dan scatter plot citra implementasi 21
DAFTAR TABEL 1 2 3 4 5 6 7 8
Kualitas teh hitam menurut SNI Kualitas teh mengacu pada praktik pasar Pengaturan pengambilan citra Spesifikasi pengambilan citra pendahuluan Rancangan fungsional dari hardware Parameter perintah raspistill untuk pengambilan citra Hasil validasi penentuan kelas Hasil validasi penentuan grade
2 7 9 9 11 14 19 20
vii
DAFTAR LAMPIRAN 1 Standar mutu teh hitam (SNI 1995) 2 Tahapan penelitian 3 Fitur warna keseluruhan citra pendahuluan
25 26 27
PENDAHULUAN Latar Belakang Indonesia tercatat menghasilkan teh hingga mencapai 129.2 ribu ton. Jumlah tersebut masih berada dibawah Vietnam yang mencapai 180.8 ribu ton. Pada tahun 2021, FAO memprediksi produksi teh utamanya teh hitam akan mengalami peningkatan hingga mencapai 3.28 juta ton. Peningkatan produksi ini pula diiringi dengan peningkatan konsumsi teh pada masyarakat dunia hingga mencapai 3.36 juta ton (FAO 2014). Berdasarkan fakta-fakta tersebut mengindikasikan bahwa pasar teh hitam dunia masih terbuka sangat luas, dan memungkinkan untuk menjadi salah satu sumber devisa negara. Menurut Badan Pusat Statistik (2012) teh tercatat menghasilkan devisa sebesar 125 milyar US Dolar. Nilai tersebut menempati urutan kelima terbesar pada komoditas perkebunan. Menurut Global Tea Brokers (2010) Indonesia menempati peringkat keenam negara pengekspor teh terbesar. Oleh karena itu, menjaga kualitas teh hitam bubuk sangat dibutuhkan. Beberapa kriteria yang digunakan sebagai parameter mutu yaitu ukuran partikel, kenampakan teh hitam kering, air seduhan, kenampakan ampas hasil seduhan. Pengukuran kualitas dengan parameter ukuran menggunakan ayakan yang mempunya lubang bujur sangkar dengan ukuran 7, 16 dan 80 mesh. Pengukuran kualitas menggunakan kenampakan teh kering ada beberapa parameter yang digunakan, yaitu warna, bentuk, bau, tekstur dan benda asing. Sedangkan pada kenampakan air seduhan, paramater yang digunakan adalah warna, rasa dan bau. Pada kenampakan ampas, parameter kualitas yang diukur adalah warna dan kerataan warna. Saat ini pengukuran mutu kenampakan masih bergantung pada keahlian mandor sebagai evaluator mutu, kelemahan dari metode tersebut masih terdapat bias terhadap keputusan mandor. Hal ini menyebabkan produk akhir yang dihasilkan tidak seragam. McCornack (1961), Harris dan Chaney (1969) dalam Park (1986) menyatakan, rata-rata akurasi pemeriksaan pada produk yang kompleks berkisar antara 20-80 %. Sangat jarang ditemui inspektor tunggal yang berhasil mendeteksi kecacatan melebihi 50-60 %. Oleh karena itu, diperlukan sebuah alat bantu yang objektif dan terstandardisasi sehingga kontrol mutu pada produksi teh hitam konsisten dan tidak dipengaruhi subyektifitas manusia.
Tujuan Penelitian Tujuan dari penelitan ini adalah : 1. Mengembangkan algoritma untuk melakukan uji mutu fisik pada teh hitam menggunakan metode image processing. 2. Mengembangkan prototipe alat penguji mutu fisik pada teh hitam menggunakan metode image processing.
2
TINJAUAN PUSTAKA Klasifikasi Teh Hitam Menurut Standar Nasional Indonesia (1995) tentang teh hitam, kualitas teh hitam kering terbagi atas 5 kualitas teh, yaitu Sangat baik (A), baik (B), sedang (C), kurang baik (D) dan tidak baik (E). Parameter yang diukur untuk masingmasing golongan adalah warna, tekstur, bentuk dan keberadaan benda asing. Klasifikasi tercantum pada Tabel 1.
Paramater
Tabel 1 Kualitas teh hitam menurut SNI Kualitas A B C D
E
Warna
Kehitaman
Kehitaman
Kehitaman / kemerahan
Bentuk
• Tergulung • Keriting • Halus
• Tergulung • Keriting • Halus
• Tergulung • Tergulung • Tergulung • Keriting • Keriting • Keriting • Halus • Halus • Halus
Tekstur
Tidak rapuh
Tidak rapuh
Tidak rapuh
Mudah rapuh
Mudah rapuh
Benda asing
Tidak rapuh
Tidak rapuh
Tidak rapuh
Mudah rapuh
Mudah rapuh
Abu - abu
Abu - abu
Selain kualitas, SNI juga membagi teh hitam khususnya teh orthodox menjadi 3 golongan, yaitu teh daun, teh bubuk dan teh halus. Klasifikasi antara golongan dan kualitas teh tercantum pada Lampiran 1.
Image Processing Metode image processing merupakan salah satu metode yang umum digunakan pada banyak bidang. Umumnya, metode image processing digunakan untuk menggantikan tugas manusia yang melibatkan indera penglihatan, dan digunakan untuk menjelaskan interpretasi manusia. Banyak kelebihan metode image processing. Menurut Kondo et al. (2000) image processing dapat bekerja secara independen, tanpa melibatkan subyektifitas dari manusia, objektif (Liu et al. 1998), konsisten (Lu et al. 2000), harga sensor yang kompetitif (Sapirstein 1995), cepat dan murah (Panigrahi and Gunasekaran 2001). Sun (2000) membagi image processing menjadi 3 tingkatan operasi: tingkat operasi rendah, operasi sedang, dan operasi tinggi seperti pada Gambar 1.
3
Representation
Segmentation
Description
Recognition
Pre-Processing
Image Acquisition
Problem Domain
Interpretation Knowledge Base
Result
Gambar 1 Tahapan - tahapan pada image processing (Sun 2000) Tingkat operasi rendah meliputi 2 tahap, yaitu pengambilan citra dan praproses. Pada tahap pengambilan citra, terjadi pengiriman sinyal dari sensor menjadi bentuk numerik. Sedangkan pada tahap pra-proses citra, terjadi pengolahan awal pada citra mentah yang bertujuan untuk meningkatkan kualitas dari citra dengan mengurangi noise yang tidak diinginkan, atau menguatkan fiturfitur penting. Tingkat operasi menengah meliputi 3 tahap, yaitu segmentasi, representasi dan deskripsi. Tahap segmentasi sangat penting, karena pada tahap inilah bagian citra yang memiliki fitur-fitur penting dipisahkan. Ada banyak metode yang dapat digunakan untuk segmentasi; thresholding, edge segmentation, atau region-based segmentation. Pada citra yang sudah tersegmentasi, pixel-pixel sejenis dikelompokkan menjadi bentuk tertentu yang direpresentasikan menjadi sebuah objek. Sedangkan tahap deskriptif adalah tahap pengukuran, dimana informasi yang bersifat kuantitatif diambil. Beberapa contoh algoritma yang digunakan pada tahap ini adalah pengukuran morfologi dan tekstur. Pada tingkat operasi tinggi, terdapat tahap pengenalan dan interpretasi pada citra. Pengenalan adalah sebuah proses untuk memberikan label pada komponenkomponen tertentu, sedangkan interpretasi adalah proses untuk memberikan arti pada komponen yang sudah sebelumnya dikenali. Kedua tahap ini merupakan tujuan akhir dari metode image processing, dimana data pada gambar dapat diubah menjadi sebuah informasi berharga yang dapat ditindak lanjuti. Contoh dari tahap akhir ini adalah proses penentuan tingkat kematangan mangga berdasarkan warna. Pada tahap pengenalan, citra akan memberikan label antara buah dan daun, sedangkan pada tahap interpretasi, komponen buah sajalah yang akan dianalisis kematangannya.
4
Pengukuran Tekstur Menurut Acharya et al (2005), Pengukuran tekstur dapat diperoleh dengan metode Gray Level Cocurrence Matrix (GLCM) dimana sebuah citra berukuran N x N memiliki pixel yang memiliki tingkat keabuan [0, 1 ...., G-1] dalam sebuah dua dimensi matriks. Dimana setiap elemen dari matriks mewakili kemungkinan adanya nilai intensitas yang sama pada lokasi i dan j tertentu dan pada jarak dan sudut tertentu. Total jumlah fitur yang pada GLCM berjumlah 28. Akan tetapi, 5 fitur yang dianggap dominan adalah angular second momentum, contrast, entropy, inverse difference moment, dan correlation. Haralick (1973) menyatakan lima fitur tersebut sebagai berikut: M
Angular second momentum = M
N
∑∑{ p
2
(i, j )}
(1)
i =1 j =1
N
Entropy = − ∑∑ p (i, j ) log{ p (i, j )}
(2)
i =1 j =1 M
Correlation =
N
∑∑
(i − µ )( j − µ )
σ2
i =1 j =1
M
Inverse difference momentum =
p (i, j )
N
Contrast =
1
∑∑ 1 + (i − j ) i =1 j =1
M
(3)
2
p (i, j )
(4)
N
∑∑ (1 − j )
2
p (i, j )
(5)
i =1 j =1
dimana, p(i,j) = co-occurrence matriks yang sudah dinormalisasi µ = Rata-rata tingkat keabuan pada citra σ = Standard deviasi dari tingkat keabuan pada citra Hendrawan dan Murase (2009), melambangkan µ dan σ dengan persamaan berikut
p (i, j ) = M
I (i, j ) M ×N
(6)
N
µ = ∑∑ i × p(i, j )
(7)
i =1 j =1 M
N
σ = ∑∑ (i − µ ) 2 × p(i, j )
(8)
i =1 j =1
dimana, I(i,j) = banyaknya intensitas pixel pada koordinat i, j M, N = panjang dan lebar citra Homogenity menyatakan tingkat keseragaman lokal pada sebuah citra. Citra yang memiliki pola seragam, menghasilkan nilai homogenity yang tinggi, dan
5
citra yang tidak seragam, dimana terdapat banyak transisi keabuan didalamnya menghasilkan nilai homogenity yang rendah, sedangkan nilai contrast berlawanan dengan nilai homogenity. Contrast menyatakan variasi lokal pada sebuah citra. Pada citra yang seragam, contrast menunjukkan nilai 0 sebagai nilai paling kecil. Dengan meningkatnya variasi pada sebuah citra, maka meningkat pulang nilai contrast. Nilai correlation merepresentasikan dependensi linear dari tingkat keabuan dari pixel yang berdekatan. Umumnya, nilai yang terukur tinggi apabila skala dari tekstur lokal lebih besar dibanding jaraknya. Entrophy menunjukkan kompleksitas dari tekstur yang dihitung. Fitur tekstur lain yang cukup terkenal dalam meniru sistem visual manusia ditemukan oleh Tamura (1978). Enam buah fitur yang dianggap mewakili persepsi visual adalah coarseness, contrast, directionality, line-likeness, regularity, dan roughness. Akan tetapi, fitur coarseness, contrast, directionality dianggap paling menggambarkan tekstur. Tiga buah fitur tersebut dihitung dengan rumus: Contrast =
σ (α 4 ) n
(9)
dimana, σ = standar deviasi dari distribusi pixel abu
α 4 pada persamaan 9 disebut kurtosis, yang berfungsi mengukur polarisasi pada citra. Dihitung menggunakan persamaan
α4 =
µ4 σ2
(10)
dimana, µ 4 dan σ 2 adalah rata-rata dan variasi dari nilai abu.
1 Coarseness = M ×N
M
N
∑∑ S i =1 j =1
best
(i, j )
(11)
dimana, S best = 2 k ; k adalah titik dimana terdapat perbedaan yang cukup besar dari nilai keabuan pixel M, N = lebar dan panjang citra −1 Directionality = tan (
∆v π )+ ∆H 2
(12)
Dimana, ∆ v dan ∆ H merupakan perbedaan nilai abu pixel vertikal dan horizontal yang dihitung menggunakan matriks 3 x 3 : −1 0 1 1 1 1 − 1 0 1 dan 0 0 0 −1 0 1 −1 −1 −1
6
Metode Jaringan Syaraf Tiruan Jaringan syaraf tiruan (JST) adalah salah satu metode yang digunakan untuk meniru fungsi kerja otak manusia dalam melakukan pembelajaran. Salah satu metode yang cukup terkenal pada jaringan syaraf tiruan adalah propagasi balik standar (standard back propogation). Menurut Seminar et al. (2003), jaringan syaraf propagasi balik standar adalah arsitektur lapis jamak banyak yang terdiri dari input, hidden layer, dan output. Dimana perhitungan hanya terjadi pada hidden layer dan output. Pada jaringan syaraf tiruan propagasi balik, terjadi penyesuain bobot berdasarkan galat dalam arah mundur. Dimana nilai galat tersebut didapatkan dari tahap perambatan maju sebelumnya memenuhi fungsi sigmoid yang diekspresikan dalam bentuk (13) Dibidang pertanian sendiri, algoritma JST banyak digunakan diantaranya untuk menentukan kejadian pecahnya kutikula pada tanaman tomat dan paprika pada rumah kaca (Ehret et al. 2008). Topuz (2010) membuat model prediksi JST untuk menduga kandungan kadar air dari produk pertanian. Penyortiran pada apel dilakukan oleh Kavdir dan Guyer (2002) sedangkan untuk grading apel dilakukan oleh Nakano (1997). (Luo et al. 1997) Menggunakan JST untuk mengidentifikasi biji padi. Fadilah dan Mohamad-saleh (2014) melakukan klasifikasi pada kelapa sawit berdasarkan fitur warna. Tidak hanya pada hasil tanaman, algoritma JST juga dapat bekerja pada objek pertanian yang berasal dari hewan. JST bekerja dengan baik pada proses klasifikasi ikan (Storbeck dan Daan 2001).
Penelitian Terdahulu Beberapa penelitian berkaitan dengan image processing terhadap teh telah dilakukan, diantaranya oleh Jenie (2005) melakukan evaluasi mutu teh hitam menggunakan image processing dengan membandingkan performa dari model JST dan least euclid range. Suprijanto et al (2011) yang menggunakan parameter warna pada partikel teh untuk mengukur kualitas teh hitam. Sharma et al (2012) juga menggunakan image processing untuk mengidentifikasi, pengaruh perubahan warna merah (red), hijau (green) dan biru (blue) pada proses fermentasi [oksidasi enzimatis] teh. Gill et al (2011) melakukan pengamatan untuk mengamati kualitas teh dengan menggunakan metode image processing. Zhiyi (2012) menggunakan image processing untuk mengidentifikasi tingkat kualitas teh hijau. Singh (2013) menggunakan parameter TQI (Tea Quality Index) untuk menentukan kualitas teh hitam menggunakan image processing. Gill et al (2013) melakukan penelitian terhadap kualitas teh hitam menggunakan parameter tekstur. Penelitian image processing pada bahan pertanian juga sudah dilakukan Paramiaty (2003) melakukan pengenalan ukuran butiran beras menggunakan image processing dan fuzzy logic untuk evaluasi mutu beras sosoh. Maragia
7
(2003) menggunakan image processing untuk melakukan evaluasi mutu pada bunga gladiol. Soedibyo et al (2009) menggunakan metode image processing untuk pemutuan kopi beras. Gasim (2013) menggunakan metode image processing memanfaatkan feature RGB pada citra dan deteksi tepi untuk mengenali jenis kayu. Dari penelitian sebelumnya, dapat terlihat bahwa penelitian mengenai teh hitam masih dalam kerangka menemukan metode pengukuran mutu menggunakan image processing, maupun mengetahui pengaruh kualitas mutu terhadap fitur citra. Penelitian ini ditunjukkan untuk melakukan pengembangan sebuah perangkat fisik yang ditunjukkan khusus untuk menganalisis kualitas mutu teh. Pada penelitian ini digunakan pendekatan mutu kelas dan grade, dimana pada perdagangan teh hitam skala besar di Indonesia, harga tidak hanya dipengaruhi oleh satu parameter klasifikasi.
METODOLOGI
Sampel Bahan yang Digunakan Sampel yang digunakan merupakan teh hitam kelas 1 seluruh grade, kelas 2 grade BP, BT, dust, dan PF dan kelas 3 seluruh grade yang diambil langsung dari Pusat Penelitian Teh dan Kina, Gambung, Jawa Barat.
Klasifikasi Teh Hitam Klasifikasi teh hitam, dalam praktiknya dipasar, tidak menggunakan standar yang dikeluarkan oleh SNI. Mengacu pada Kharisma Pemasaran Bersama Nusantara (2015) dan Rohdiana (2014), klasifikasi teh hitam dibagi atas : Tabel 2 Kualitas teh mengacu pada praktik pasar Kelas Grade Kelas 1 BOP, BOPF, BT, dust, PF Kelas 2 BP, BT, dust, PF Kelas 3 BTL, BBL, dust Pengolahan Citra Pengambilan Fitur Warna Pengukuran fitur warna dilakukan dengan mengambil nilai rata-rata pixel pada citra. Fitur warna yang didapatkan secara default dari komputer tanpa melakukan konversi adalah RGB yang mewakili 3 komponen warna utama yaitu red, green dan blue, kemudian fitur-fitur warna lain dihasilkan dengan melakukan kombinasi dari tiga komponen RGB ini. Seluruh fitur warna yang digunakan didapatkan dari persamaan berikut (Hendrawan dan Murase 2009).
8
Rata - rata red Rata - rata green Rata - rata blue Rata - rata red index
= = = =
1 ni ∑ Ri n i =1
(14)
1 ni ∑ Gi n i =1 1 ni ∑ Bi n i =1 Ri 1 ni ∑ n i =1 Ri + Gi + Bi
(16)
(15)
(17)
Rata - rata green index
=
Gi 1 ni ∑ n i =1 Ri + Gi + Bi
(18)
Rata - rata blue index
=
Bi 1 ni ∑ n i =1 Ri + Gi + Bi
(19)
Rata - rata red-green ratio
=
1 ni R i ∑ n i =1 Gi
(20)
Rata - rata red-blue ratio
=
1 n i Ri ∑ n i =1 Bi
(21)
dimana, R = nilai komponen warna merah pada citra G = nilai komponen warna hijau pada citra B = nilai komponen warna biru pada citra n = jumlah pixel keseluruhan pada citra Komponen warna kuning (yellow) dan magenta dari CMYK juga digunakan pada penelitian kali ini. Warna CMYK umum digunakan pada proses percetakan. CMYK adalah warna subtraktif yang melibatkan jenis pantulan cahaya dari colorants. Pada CMYK, zat pemantul diasumsikan berwarna putih. Warna kuning dan magenta didapatkan melalui persamaan berikut, Rata-rata nilai yellow
=
Rata-rata nilai magenta
=
dimana, n = C = M = Y =
1 ni ((1 − Yi ) − Min(C i , M i , Yi ) ) ∑ n i =1 (1 − Min(C i , M i , Yi ))
1 ni ((1 − M i ) − Min(C i , M i , Yi ) ) ∑ (1 − Min(C , M , Y )) n i =1 i i i
(22) (23)
Banyaknya pixel pada citra 1 − ( R / 255) 1 − (G / 255) 1 − ( B / 255)
Pengukuran Fitur Tekstur Parameter tekstur diperoleh menggunakan fitur GLCM dan Tamura pada citra.
9
Tahapan Penelitian Tahapan penelitian ini secara umum terdiri dari pengumpulan sampel, pengenalan karakteristik, pengenalan fitur warna dan tekstur, pembuatan dan pengujian perangkat lunak, perangkat keras, dan validasi. Diagram alur penelitian dapat dilihat pada Lampiran 2. Pengenalan Karakteristik Kamera Tahap ini bertujuan untuk mengenali karakteristik lingkungan dan alat yang digunakan, pada tahap ini akan dilihat berbagai macam pengaruh ketinggian kamera, dan mendapatkan fokus kamera. Pengumpulan Sampel Tahap ini bertujuan untuk mengambil citra dari serbuk teh yang akan diteliti, teh yang akan digunakan berasal dari kelas 1 dengan grade mutu BOP, BOPF, BP, PF, dust. Kelas 2 dengan grade mutu BP II, PF II, dust II, dan BT II. Kelas 3 dengan kelas mutu PF III, dust III, BTL, dan BBL. Sampel citra yang diambil sebanyak 32 citra pada setiap grade dengan pengaturan seperti pada Tabel 2. Tabel 3 Pengaturan pengambilan citra Kondisi Pengambilan Gambar Keterangan Jarak kamera 12 cm Resolusi gambar 500 x 500 pixel Rata-rata intensitas 490 lux Kondisi lampu LED SMD 5630 6 Mata Pengenalan Warna dan Tekstur Tahap ini bertujuan untuk mengenali karakteristik visual dari masingmasing kelas pada teh hitam kering. Ada dua karakteristik yang diukur, yaitu tekstur dan warna. Kelas dari teh hitam bubuk ditentukan berdasarkan karakteristik warna, sedangkan grade dari teh hitam ditentukan berdasarkan tekstur. Pada tahap pengenalan ini dilakukan pengambilan citra pendahuluan menggunakan kamera digital Panasonic Lumix DMC-F5 10 MP dengan spesifikasi seperti Tabel 4. Tabel 4 Spesifikasi pengambilan citra pendahuluan Kondisi Pengambilan Gambar Keterangan Jarak kamera 10 cm Jarak lampu 12.5 cm Resolusi gambar 2048 x 1536 Intensitas lampu 450 lux Spesifikasi lampu 2 lampu LED 5 Watt Pembuatan Perangkat Lunak Pada tahap ini, akan dibuat peranti lunak yang dapat mengenali karakteristik visual dari teh hitam. Metode pengenalan menggunakan dua model jaringan syaraf tiruan untuk mengenali kelas berdasarkan warna, dan mengenali grade berdasarkan tekstur. Arsitektur dari masing–masing jaringan syaraf tiruan seperti pada Gambar 2 dan 3.
10
Gambar 2 Arsitektur JST yang digunakan untuk mengenali kelas berdasarkan warna
Gambar 3 Arsitektur JST untuk yang digunakan mengenali grade berdasarkan tekstur Pembuatan Prototipe Alat Penyortir Tahap ini bertujuan untuk membangun fisik dari perangkat pengujian mutu teh. Pada tahap ini dilakukan analisis rancangan fungsional dan struktural. a. Rancangan Fungsional Rancangan fungsional dari alat penyortir yang akan didesain seperti tercantum pada Tabel 5.
11
Tabel 5 Rancangan fungsional dari perangkat keras Fungsi Nama Komponen Sumber cahaya didalam kotak LED SMD 5630 Sensor pengambil gambar Kamera CMOS Penghalang intervensi dari cahaya luar Kotak penutup Menaruh sampel yang akan diuji Laci sampel Merubah arus DC 12 V menjadi 5 V Power regulator Merubah arus AC menjadi DC Adaptor Sebagai processing unit dari alat Raspberry Pi 2 Menampilkan interface dari processing unit Layar LCD b. Rancangan Struktural Rancangan struktural dari alat penyortir yang akan dibangun meliputi : 1. Sumber cahaya Alat yang dirancang pada penelitian kali ini memiliki tinggi 12 cm, sehingga diperlukan lampu dengan ukuran yang cukup kecil, membutuhkan sumber listrik yang mudah, dengan cahaya tidak berwarna. Sehingga, dipilih lampu LED Super Bright SMD 5630 dengan spesifikasi 12 V dengan intensitas maksimum yang diperbolehkan pada alat adalah 500 lux jika intensitas cahaya berlebih, maka akan terjadi over brightness pada citra yang diambil. 2. Sensor pengambil citra Sensor pengambil citra dipilih dengan mempertimbangkan aspek kemampuan sensor untuk mengambil citra dengan warna natural, fokus yang dapat diatur, ketersediaan driver dan compactness. Sehingga, Raspberry Pi camera dipilih karena merupakan modul dari Raspberry, berukuran 25 x 20 x 9 mm, dengan resolusi 5 MP. 3. Kotak penutup Kotak penutup pada alat yang dirancang kali ini tidak hanya berfungsi sebagai penghalang intervensi cahaya luar, tetapi juga berfungsi untuk merata cahaya di dalam ruangan pengambil citra. Sehingga, warna yang digunakan berwarna silver. Kotak penutup dibuat dari bahan besi karena harga yang lebih murah dan kemudahan dalam proses pengerjaan. 4. Laci sampel Laci sampel dibuat mengikuti ukuran kotak penutup, dengan ukuran 12 cm x 12 cm dengan tebal 1 cm. 5. DC to DC converter Power regulator yang digunakan harus mampu menurunkan sumber tegangan 12 V dari adaptor menjadi 5 V. Power regulator yang digunakan pun tidak boleh mengalami overheating terlalu cepat. Sehingga digunakan LM2596 sebagai power regulator. 6. AC-DC converter Alat yang dirancang kali ini, menggunakan sumber tenaga utama dari listrik AC 220 V, sedangkan pada alat ini, setiap komponen menggunakan listrik DC sebagai sumber dengan tegang 5 V dan 12 V. Adaptor juga didesain tidak terpisah dari alat. Sehingga, dipilih adaptor Hi-led switching power 12 V dengan maksimal arus 2A.
12
7. Processing unit Processing unit pada alat yang dikembangkan, harus mampu mengolah data citra dengan waktu relatif singkat. Dengan ukuran yang compact dan tidak membutuhkan pendingin. Sehingga dipilih Raspberry Pi B 2 dengan kecepatan processor 900 MHz, dan memory RAM 1 GB. 8. Layar untuk menampilkan interface Layar yang digunakan pada rancangan kali ini harus memiliki kemampuan touch screen, tidak menggunakan kabel tambahan, dan tidak membutuhkan sumber arus tambahan. Sehingga dipilih Spot pear LCD 3.5 inci. Validasi Tahap ini bertujuan untuk mengukur performa dari perangkat uji dalam mengenali teh hitam bubuk sesuai dengan mutu yang sudah ditentukan. Keluaran dari tahap ini adalah akurasi alat yang dihitung menggunakan persamaan: Akurasi =
TP N validasi
× 100%
(24)
dimana, TP = Jumlah prediksi benar Nvalidasi = Jumlah data yang digunakan untuk validasi
HASIL DAN PEMBAHASAN
Pengenalan Karakteristik Kamera Pada tahap ini ada beberapa parameter kamera yang diobservasi, yaitu luas tangkapan dan kualitas fokus dari citra yang dihasilkan. Luas Tangkapan Parameter ini menjadi penting terutama untuk perancangan desain alat. Hal ini disebabkan karena di dalam citra hasil tangkapan kamera tidak boleh terdapat objek lain selain teh hitam, karena dapat mengacaukan perhitungan. Hubungan antara coverage area kamera dan ketinggian dapat terlihat pada Gambar 4. Berdasarkan hubungan antara coverage area dan tinggi, didapatkan persamaan:
y = 0.8367 x 2 − 4.2933x + 39.614
(25)
13
Gambar 4 Hubungan luasan tertangkap dan tinggi kamera ( •) dan trend line (- - -)
Kualitas Fokus Citra Modul kamera Raspberry Pi adalah salah satu kamera CMOS yang memiliki fokus tetap, fokus yang tidak optimal menyebabkan citra yang ditangkap blur, sehingga objek pada citra tidak lihat dengan jelas. Standar deviasi (s) citra abu-abu digunakan untuk memperoleh parameter kualitas citra yang berkorelasi dengan fokus kamera. Dinyatakan dengan persamaan:
∑ (x − x )
2
s=
n −1
(26)
dimana, x = rata-rata dari sampel n = banyaknya sampel
Pengambilan Citra Uji Pengambilan citra uji menggunakan perintah raspistill dengan parameter seperti pada Tabel 6:
14
Tabel 6 Parameter perintah raspistill untuk pengambilan citra Parameter Penjelasan Fungsi -n No Preview Tidak menampilkan preview layar penuh ketika mengambil gambar -t 1 Timeout Lama waktu kamera untuk mengambil gambar ditetapkan selama 1 detik -drc high Dynamic range Mengaktifkan mode dynamic range compression high compression ke mode high -ISO 200 ISO pengambilan Menetapkan sensitivitas cahaya sebesar gambar 200 200. Citra hasil pengambilan dapat dilihat pada Gambar 5.
Gambar 5 Hasil pengambilan citra uji Pemilihan Fitur Warna Pada pengenalan warna, dilakukan observasi mengenai fitur terbaik yang akan digunakan. Observasi dilakukan terhadap fitur RGB, CMYK, indeks RGB, R/G dan R/B pada citra dengan menggambarkan setiap komponen fitur kedalam sebuah grafik untuk menemukan fitur yang paling mudah dipisahkan. Hasil plot seluruh fitur terdapat pada Lampiran 3. Berdasarkan hasil plot ditemukan bahwa fitur yang terpisah dengan baik adalah indeks R, indeks G, indeks B, yellow, magenta, R/G dan R/B. Akan tetapi, pada penelitian kali ini, digunakan 10 fitur warna dengan tetap menambahkan fitur R, G, dan B karena setelah melakukan trial and error, ditemukan bahwa pendugaan menggunakan jaringan syaraf tiruan menghasilkan akurasi yang lebih tinggi seperti pada Gambar 6.
15
Gambar 6 Perbandingan nilai correctness dan jumlah fitur yang digunakan pada JST
Pengenalan Tekstur Pengenalan tekstur pada citra teh dilakukan untuk menentukan algoritma terbaik yang cocok digunakan untuk menduga kelas mutu dari teh hitam. Pada penelitian ini, untuk menentukan tekstur dari teh digunakan fitur Haralick dan fitur Tamura. Menurut Acharya (2005) dari 14 fitur Haralick hanya empat buah fitur yang penting untuk mendeskripsikan sebuah tekstur, yaitu 1) Angular second momentum 2) Contrast 3) Correlation 4) Entropy 5) Inverse Difference Moment. Plotting nilai empat buah fitur Haralick dan fitur Tamura dari masing-masing kelas dapat dilihat pada Gambar 7. P PF L BB BO B O B P B T
Tamura Coarseness
4.5
st L BT Du PF
Tamura Contrast
300
Tamura Rotation
3.00 3.0 2.75
1.5
2.50
Nilai Fitur
250
ASM
0.0009
450
200
Correlation
Contrast 0.003
0.0006
300
0.0003
0.002 0.001
150
Entrophy
9.6
IDM 0.150
F L P BB B O O P B
BP
BT B TL us t P F D
8.8 0.125 8.0
0.100
L P F BB B O BOP
BP
BT B TL D
t us
PF
Grade
Gambar 7 Nilai masing - masing fitur tekstur setiap kelas
Grade BBL BOP BOPF BP BT BTL Dust PF
16
Pembuatan Perangkat Lunak Perangkat lunak pada alat yang dirancang kali ini berfungsi sebagai tampilan antara muka, sistem akuisisi citra dan pengolah data. Perangkat lunak berjalan di atas operating sistem Linux Raspbian, yang merupakan turunan dari Distro Debian dan dibangun menggunakan bahasa pemrograman Java dengan pustaka ImageJ sebagai pustaka image processing dan Encog 3 sebagai pustaka JST. Ketika perangkat lunak pertama kali dijalankan, perangkat lunak akan membaca file konfigurasi yang berisi alamat file pustaka dari Encog dan nilai maksimum dan minimum dari data latih. Kemudian, ketika pengguna memerintahkan untuk mengambil gambar, maka akan diambil frame citra pada saat itu, lalu menaruhnya ke dalam memori, menghitung rata-rata dari fitur warna dan mendapatkan fitur tekstur. Kemudian dari rata-rata fitur warna tersebut dimasukkan ke dalam model JST untuk penentuan kelas, sedangkan fitur tekstur akan dimasukkan ke dalam model JST untuk penentuan grade. Kemudian, hasil kelas dan grade ditampilkan ke dalam tampilan muka. Secara umum algoritma jalannya peranti lunak seperti pada Gambar 8. Mulai
Baca file konfigurasi
Ambil Citra
Ambil fitur tekstur
Ambil fitur warna
Hitung ke dalam model JST grade
Hitung ke dalam model JST kelas
Tampilkan grade dan kelas
Selesai
Gambar 8 Algoritma perangkat lunak
17
Pembuatan Prototipe Alat Dengan menetapkan tinggi kamera optimum setinggi 12 cm, maka berdasarkan persamaan 26 didapatkan luas minimum sisi bawah dari kotak penutup sebesar 112.8 cm2. Selanjutnya, diambil batas aman luasan sebesar 12 cm untuk memastikan dinding dari kotak penutup tidak masuk ke dalam citra. Gambaran lengkap ukuran dan bentuk dari kotak penutup seperti pada Gambar 9, 10 dan 11. Desain alat dan gambar lengkap dari kotak penutup yang dibangun seperti pada Gambar 12 dan 13.
Gambar 9 Dimensi dari kotak penutup
Gambar 10 Dimensi dari laci sampel
18
Gambar 11 Dimensi dari penutup kotak
Gambar 12 Desain alat yang dibangun
19
Gambar 13 Alat uji mutu teh hitam Validasi Validasi dilakukan dengan memasukkan citra non-latih yang sudah diketahui kelas dan grade mutu ke dalam alat. Validasi dilakukan kedalam dua bagian, validasi untuk prediksi kelas mutu dan grade mutu. Jumlah total citra yang digunakan sebanyak 130 citra. Pada validasi kelas mutu digunakan 60 citra kelas 1, 40 citra kelas 2, dan 30 citra kelas 3. Sedangkan untuk validasi grade mutu, digunakan 10 citra untuk masing-masing grade BOPF, BOP, BBL, dan BTL. 20 citra untuk masing-masing grade PF, BT, dan BP. 30 citra untuk grade dust. Hasil validasi tercantum pada Tabel 7 dan 8.
Kelas
1
2
3
Grade BOPF BOP PF BT Dust BP BP Dust PF BT Dust BBL BTL
Tabel 7 Hasil validasi penentuan kelas Terdeteksi Jumlah benar 1 2 3 10 0 0 10 10 0 0 10 10 0 0 10 10 0 0 10 10 0 0 10 9 1 0 9 5 3 2 3 10 0 0 0 10 0 0 0 10 0 0 0 10 0 0 0 2 0 8 8 0 2 8 8 Akurasi Total
Akurasi 100% 100% 100% 100% 100% 90% 30% 0% 0% 0% 0% 80% 80% 60.00%
20
Kelas
1
2
3
Grade BOPF BOP PF BT Dust BP BP Dust PF BT Dust BBL BTL
Tabel 8 Hasil validasi penentuan grade Terdeteksi Jumlah BOPF BOP PF BT Dust BP BBL BTL benar 3 0 7 0 0 0 0 0 3 10 0 0 0 0 0 0 0 0 0 0 0 0 10 0 0 0 0 10 0 0 0 0 0 0 0 0 0 0 0 0 10 0 0 0 10 0 0 0 0 0 10 0 0 10 0 0 0 0 0 0 0 10 0 0 0 0 0 10 0 0 0 10 0 0 10 0 0 0 0 0 10 8 0 2 0 0 0 0 0 0 0 0 0 0 10 0 0 0 10 0 0 0 0 0 10 0 0 0 0 0 0 0 0 0 0 10 10 Total Akurasi
a
Akurasi 30% 0% 0% 0% 100% 100% 0% 100% 100% 0% 100% 0% 100% 48.46%
b
Gambar 14 a) Akurasi setiap kelas b) akurasi setiap grade Berdasarkan validasi, ditemukan bahwa alat yang dibangun berhasil mendeteksi dengan sangat baik kelas 1. Alat yang dibangun dapat mendeteksi kelas 1 dengan akurasi mencapai 98 %. Sedangkan akurasi terendah terdapat pada kelas 2 dimana akurasi dari alat hanya mencapai 8 %. Akurasi kelas 3 mencapai 53 %. Akurasi pendugaan kelas mutu tercantum pada Gambar 14a. Secara umum, kemampuan alat untuk menduga kelas mutu mencapai 60 %. Pada sisi lain untuk validasi grade, alat yang dibangun berhasil mendeteksi dengan sempurna grade dust dan BTL dengan akurasi mencapai 100%. Alat berhasil mendeteksi secara sempurna grade tersebut. Sedangkan grade BOP, BT, dan BBL belum berhasil dideteksi. Akurasi pendugaan grade mutu tercantum pada Gambar 14b. Secara umum, kemampuan alat untuk menduga grade mutu mencapai 48.4 %. Dalam kasus penentuan kelas, citra yang baik adalah citra yang berhasil mengambil warna sesungguhnya dari objek. Pada kamera Raspberry Pi yang sedang digunakan, algoritma auto white balance otomatis diterapkan pada seluruh operasi pengambilan citra menyebabkan warna objek berubah. Perbedaan warna dapat terlihat pada Gambar 15.
21
a Gambar 15 a) Scatter plot warna dari citra pendahuluan b) scatter plot citra implementasi
b
Berdasarkan gambar tersebut, terlihat bahwa ada perbedaan warna pada citra. Pada Gambar 15a, terlihat bahwa adanya separable region sehingga klasifikasi antar kelas dapat dengan baik terpisah, sedangkan pada Gambar 14b terlihat bahwa terjadi overlapping pada fitur citra, sehingga tidak ada batas yang jelas untuk melakukan klasifikasi. Pada penentuan grade, citra yang baik adalah citra yang fokus. Sehingga, perbedaan warna dari setiap pixel dapat terlihat dengan jelas. Pengukuran fokus yang dilakukan pada awal penelitian menggunakan standar deviasi diduga hanya optimal pada grade tertentu. Hal ini terlihat pada Tabel 8, dimana dari seluruh grade hanya grade dust dan BTL yang diduga secara sempurna. Luasan yang ditangkap juga berpengaruh terhadap perhitungan tekstur dari citra. Pada penelitian kali ini, luasan yang ditangkap untuk citra 500 × 500 pixel sebesar 51 cm2. Semakin luas area tangkapan kamera, maka semakin besar pula nilai tekstur yang dihasilkan. Hal ini dapat mengurangi nilai tekstur yang overlapping pada citra.
SIMPULAN DAN SARAN Simpulan Dari penelitian ini, dapat disimpulkan beberapa hal berikut: 1. Berdasarkan proses validasi, alat yang dibangun berhasil mendeteksi dengan sangat baik kelas mutu 1. Sedangkan pendugaan terendah terjadi pada kelas mutu 2. Akurasi kelas mutu 1 mencapai 98 %, kelas 2 mencapai 8 % dan kelas 3 mencapai 53 %. Sedangkan pada pendugaan grade mutu, alat yang dirancang berhasil menduga secara sempurna pada grade mutu dust dan BTL dengan akurasi 100%. 2. Telah dibuat algoritma untuk menguji mutu dari teh hitam bubuk menggunakan pendekatan image processing dengan jaringan syaraf tiruan untuk masing-masing parameter mutu. Input JST untuk parameter mutu kelas menggunakan 10 input warna, sedangkan untuk kelas menggunakan 8 input tekstur.
22
3. Telah dibuat alat uji mutu teh hitam yang terdiri dari komponen perangkat keras dan perangkat lunak. Semua komponen bekerja dengan baik perangkat lunak berhasil membaca masukan berupa sampel teh, dan berhasil mengeluarkan pendugaan mutu tertentu. Saran Untuk penyempurnaan alat, disarankan beberapa hal berikut: 1. Diperlukan kalibrasi pada citra yang ditangkap oleh kamera Raspberry Pi, sehingga warna yang ditangkap pada citra merupakan warna sesungguhnya dari objek tanpa dipengaruhi oleh auto white balance kamera. 2. Diperlukan kajian mengenai kualitas citra yang berkaitan dengan fokus. Metode pengukuran standar deviasi sebetulnya sudah cukup untuk dijadikan parameter fokus terhadap kualitas citra yang dihasilkan, akan tetapi perlu dilihat nilai yang optimum untuk seluruh kelas.
DAFTAR PUSTAKA Acharya K, Ray AK. 2005. Image Processing Principles and Applications. New Jersey (US) : Wiley Interscience. [BPS] Badan Pusat Statistik. 2012. Ekspor Teh Menurut Negara Tujuan Utama, 2008-2012. [BSN] Badan Standarisasi Nasional. 1995. Teh Hitam. SNI 01-1902-1995. Jakarta (ID) : Badan Standarisasi Nasional. [FAO] Food and Agriculture Organization. 2014. Current situation and medium term outlook for tea. Committee on Commodity Problems : Intergovernmental Group on Tea. Sun DW. 2000. Inspecting pizza topping percentage and distribution by a computer vision method. Journal of Food Engineering. Vol. 44: 245-249. Ehret DL, Hill BD, Raworth DA, Estegaard B. 2008. Artificial neural network modelling to predict cuticle cracking in greenhouse peppers and tomatoes. Computer and Electronics in Agriculture. Vol. 61: 108-116. Fadilah N, Mohamad-Saleh J. 2014. Color Feature Extraction of Oil Palm Fresh Fruit Bunch Image for Ripeness Classification. 13th International Conference on Applied Computer and Applied Computational Science pp. 51-55. Gasim, Harjoko A, Seminar KB, Hasrtati S. 2013. Merging feature method on RGB image and edge detection image for wood identification. International Journal of Computer Science and Information Technologies. Vol 4(1):188-193. Gill GS, Kumar A, Agarwal R. 2011. Monitoring and grading of tea by computer vision [review]. Journal of Food Engineering. 106 (2011) :13-19. doi : 10.1016/j.jfoodeng.2011.04.013.
23
Hendrawan Y, Murase H. 2009. Precision irrigation for Sunagoke moss production using intelligence image analysis. Agric Eng Int: CIGR Journal. 13(1): CIGR MS No.1564. Hendrawan Y, Murase H. 2011. Non-destructive sensing for determining sunagoke moss water content bio-inspired approaches. Environment Control Biology. 47(1): 21-36. [KPBN] Kharisma Pemasaran Bersama Nusantara. 2015. Tea Market Report Weekly. Jakarta. Kondo N, Ahmad U, Monta M, Murase H. 2000. Machine vision based quality evaluation of Iyokan orange fruit using neural networks. Computer and Electronics in Agriculture. vol. 29: 135-147. Liu W, Tao Y, Siebenmorgen TJ, Chen H. 1998. Digital image analysis method for rapid measurement of rice degree of milling. Cereal chemistry. 75(3) : 380-385. Lu J, Tan J, Shatadal P, Gerrard DE. 2000. Evaluation of pork color by using computer vision. Meat Science. 56(1) : 57-60. Jenie RP. 2005. Penentuan kelas mutu warna teh hitam dengan menggunakan metode image processing, artifical neuron network dan least euclid range [skripsi]. Bogor (ID) : Institut Pertanian Bogor. Kavdir I, Guyer DE. 2002. Apple sorting using artificial neural networks and spectral imaging. Transactions of the ASAE. 45(6):1995-2005. Luo X, Jayas DS, dan Symons JS. 1999. Comparison of statistical and neural network methods for classifying cereal grains using machine vision. Transactions of the ASAE. 42(2): 413-419. Maragia J.2007. Kajian karakteristik mutu bunga gladiol (gladiolus hybrydus) dengan teknik pengolahan citra [skripsi]. Bogor (ID) : Institut Pertanian Bogor. Nakano K. 1997. Application of neural networks to the color grading of apples. Computer and Elctronics in Agriculture. vol. 18: 105-116. Paramiaty LE. 2003. Pengenalan ukuran butiran beras dengan menggunakan pengolahan citra dan metode fuzzy untuk evaluasi mutu beras sosoh [skripsi]. Bogor (ID) : Institut Pertanian Bogor. Park KS. 1987. Human Reliability: Analysis, Prediction and Prevention of Human Error. Amsterdam (NL): Elsevier Panigrahi S, Gunasekaran S. 2001. Computer Vision. Nondestructive Food Evaluation : 151-154. Rohdiana D, Suganda AG, Wirasutsna KR, Iwo MI. 2014. Xanthine Oxidase Inhibitory and Immunomodulatory Activities of Fifteen Grades Indonesia Orthodox Black Tea. International Journal of Pharmacy and Pharmaceutical Sciences. 6: 39-42. Sapirstein HD. 1995. Quality control in commercial baking: Machine vision inspection of crumb grain in bread and cake products. In Proc. of the Food Processing Automation IV Proceedings of the FPAC Conference, ASAE, St Joseph, Michigan. Seminar KB, Marimin, Ferianto T. 2003. Aplikasi jaringan syaraf tiruan dan analisis komponen utama untuk sortasi mentimun. Buletin Keteknikan Pertanian. Vol 17 No. 2 : 39-52.
24
Sharma M, Ehomas EV, Swain DK, Ghosh BC. 2012. Image analysis of colour of tea during fermentation process. Two and a Bud. 59 (2) : 93-95. Tersedia pada http://tocklai.net/wpcontent/uploads/2013/07/TwoBud5922012/Image%20analysis%20of%20c olour%20of%20tea.pdf. Singh G, Kamal N. 2013. Machine vision system for tea quality determination tea quality index (TQI). IOSR Journal of Engineering . 3 (7) : 46-50. doi : 10.9790/3021-03764650. Soedibyo DW, Ahmad U, Seminar KB, Subrata IDM. 2009. Pengembangan algoritma pengolahan citra untuk pemutuan kopi beras. Agro-Techno. 1(8):489-499. Storbeck F, Daan B. 2001. Fish species recognition using computer vision and a neural network. Fisheries Research, vol. 51: 11-15. Suprijanto, Rakhmawati A, Yuliastuti E. 2011. Compact computer vision/or black tea qualify evaluation based on the black tea particles. International Conference on Instrumentation Control and Automation; 2011 November 15-17; Bandung, Indonesia. New York (US) : IEEE. 8791. Tamura. 1978. Textural Feature Corresponding to Visual Perception. ”, IEEE Transactions on Systems, Man, and Cybernetics. Vol. SMC-8 no 6: 460473. Topuz A. 2010. Predicting moisture content of agricultural products using artificial neural networks. Advances in Engineering Software. vol. 41: 464470. Zhiyi H, Quansheng C, Jianrong C. 2012. Identification of green tea (camellia sinensis (l.)) Quality level using computer vision and pattern recognition. Didalam : Chang T, editor. International Conference on Biological and Biomedical Sciences. Advances in Biomedical Engineering Vol. 9; 2012 Agustus 1-2; Shanghai, China. Newark (US): Information Engineering Research Institute. Hlm. 20-28.
25 Lampiran 1 Standar mutu teh hitam (SNI 1995)
26
Lampiran 2 Tahapan penelitian
Perangkat Lunak
Perangkat Keras
27
Lampiran 3 Fitur warna keseluruhan citra pendahuluan Individual Value Plot of G
Individual Value Plot of R 165
Kelas 1 2 3
160
140
155
135
G
150
R
Kelas 1 2 3
145
145
130
140 125
135 130
120
1
2
1
3
2
3
Kelas
Kelas
Individual Value Plot of B
Individual Value Plot of H 60.0
Kelas 1 2 3
100
Kelas 1 2 3
57.5
90
55.0
H
B
80
70
52.5 50.0 47.5
60
45.0 50 1
2
3
1
Kelas
2
3
Kelas
Individual Value Plot of S
Individual Value Plot of V
0.6
0.48
Kelas 1 2 3
Kelas 1 2 3
0.46
0.5
V
S
0.44 0.4
0.42 0.3
0.40
0.2
0.38 1
2
3
1
Kelas
2
3
Kelas
Individual Value Plot of M
Individual Value Plot of K
0.18 0.16
Kelas 1 2 3
0.500
Kelas 1 2 3
0.475
0.14
0.450
0.10
K
M
0.12
0.425
0.08
0.400 0.06
0.375
0.04 0.02 1
2
Kelas
3
0.350 1
2
Kelas
3
28
Individual Value Plot of R/G
Individual Value Plot of R/B
1.20
3.0
Kelas 1 2 3
1.15
Kelas 1 2 3
R/B
R/G
2.5
1.10
2.0
1.05
1.5
1
2
3
2
1
Kelas
3
Kelas
Individual Value Plot of C
Individual Value Plot of Y 0.7
Kelas 1 2 3
0.50
Kelas 1 2 3
0.6
0.25
Y
C
0.5 0.00
0.4 -0.25
0.3 -0.50 1
2
0.2
3
1
Kelas
2
Individual Value Plot of Index R
Individual Value Plot of Index G
0.48
Kelas 1 2 3
0.46
Kelas 1 2 3
0.390 0.385 0.380
Index G
0.44
Index R
3
Kelas
0.42
0.375 0.370
0.40
0.365 0.38
0.360
0.36 1
2
0.355
3
1
Kelas
Individual Value Plot of Index B 0.275
Kelas 1 2 3
0.250
Index B
0.225
0.200
0.175
0.150 1
2
Kelas
2
Kelas
3
3
RIWAYAT HIDUP
Penulis dilahirkan di Tangerang pada tanggal 13 Juli 1993 sebagai anak pertama dari dua bersaudara dari Bapak Ir Eko Nopiardi dan ibu Mimin Kusumawati S.Ap, M.Ap. Penulis menyelesaikan pendidikan akademik di SDN Cipayung I, Bogor pada tahun 2005, SMPN 1 Bogor pada tahun 2008 dan SMAN 1 Bogor. Kemudian diterima di IPB melalui jalur SNMPTN tertulis pada tahun 2011 dengan program studi Teknik Mesin dan Biosistem, Departemen Teknik Mesin dan Biosistem, Fakultas Teknologi Pertanian. Penulis mengikuti kegiatan praktik lapangan di Pusat Penelitian Teh dan Kina, Bandung pada tahun 2014. Penulis memperoleh gelar sarjana Teknik Pertanian di Institut Pertanian Bogor penulis dengan melakukan penelitian dan penyusunan skripsi berjudul “Pengembangan Perangkat Evaluasi Mutu Teh Hitam Menggunakan Image Processing” dibawah bimbingan Prof Dr Ir Kudang B Seminar, MSc.
