SEMINAR TUGAS AKHIR
Dosen Pembimbing: Dr. Ir. Djoko Purwanto M.Eng Dr. Tri Arief Sardjono ST.MT
Oleh: OKTAVIANO YUDHA N 2203.109.007
JURUSAN TEKNIK ELEKTRO FAKULTAS TEKNOLOGI INDUSTRI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA
Selama ini dalam pemanenan dan penjualan hasil panen, petani jeruk nipis masih belum melakukan pemilahan mutu yang baik sehingga harga jual sangat rendah. Sedangkan pedagang pengumpul dan industri makanan dan obat tradisional melakukan penyortiran mutu menggunakan prosedur analisa warna kulit secara visual mata manusia dengan segala keterbatasannya. Berdasarkan hal tersebut maka diperlukan suatu metode yang dapat menjamin keseragaman mutu jeruk nipis.
Tujuan umum dari penelitian ini adalah untuk menentukan mutu jeruk nipis secara non konvensional dengan pemanfaatan machine vision sebagai algoritma pengolahan citra digital. Pemakaian komputer vision sebagai eksekusi pengambilan jeruk nipis yang matang.
Membuat pemprograman computer vision guna mengolah algoritma pengolahan citra digital Merancang alat guna memilah hasil proses pengolahan citra digital.
Menggunakan kamera WEBCam sebagai penangkap gambar Sistem yang dibangun adalah berbasis computer Mendeteksi kematangan jeruk nipis berdasar perubahan warna Memilah jeruk nipis menjadi 2 katagori, yaitu matang dan busuk Gambar diambil dalam posisi normal (tegak dr atas kebawah) Pencahayaan ditempat sistem bekerja adalah tetap atau tidak berubah-ubah Pengerjaan dititikberatkan pada pengaplikasian computer vision pada sistem mekanik
Jeruk nipis dalam Famili Rutaceae, Genus Citrus dan species Citrus aurantifolia Swingle. Adapun Jeruk nipis dikenal dengan nama lain, yaitu: jeruk pecel, jeruk durga dan limau asam Jeruk nipis berasal dari daerah IndoMalaya
Buah jeruk nipis berwarna hijau menandakan belum masak, dan akan berubah menjadi kuning kecoklat-coklatan, bentuknya bulat sampai bulat telur berdiameter ± 3 - 6 cm. Ketebalan kulit buahnya ± 0.2 - 0.5 mm dan permukaannya memiliki banyak kelenjar.
Warna merupakan hasil persepsi dari cahaya dalam spektrum wilayah yang terlihat oleh retina mata. Memiliki panjang gelombang antara 400nm sampai dengan 700nm. Warna terdapat 2 model warna, yaitu model warna berorientasi hardware dan berorientasi software.
Berikut ini adalah model warna yang berorientasi hardware: - Model RGB (red, green, blue) untuk warna monitor dan warna pada kamera video. - Model CMY (cyan, magenta, yellow) untuk model printer. - Model YIQ , digunakan untuk standard televisi. Y berkoresponden dengan luminasi, I dan Q adalah dua komponen kromatik yang disebut inphase dan quarature .
Berikut ini adalah model warna berorientasi Software (hue, saturation,brightness) adalah manipulasi : 1. Model HSV (hue, saturation, value). 2. Model HSI (hue, saturation, intensity). 3. Model HLS (hue, lightness, saturation).
Disini saya memakai model warna HSV mendefinisikan warna (Hue, Saturation dan Value). Keuntungan HSV adalah terdapat warnawarna yang sama dengan yang ditangkap oleh indra manusia. Sedangkan warna yang dibentuk model lain seperti RGB merupakan hasil campuran dari warna-warna primer.
Warna
Pada format warna RGB 24 bit, maka nilai R, G dan B masing-masing 0255
R
G
B
Hitam
0
0
0
Merah
255
0
0
Hijau
0
255
0
Biru
0
0
255
Kuning
255
255
0
Magenta
255
0
255
Cyan
0
255
255
Putih
255
255
255
Abu-Abu
127
127
127
Orange
255
110
0
Ungu
128
0
255
Coklat
128
25
0
Pink
255
190
220
0
0
120
Navy
HSV merupakan kependekan dari Hue, Saturation, dan Value. Dimana karakteristik pokok dari warna tersebut adalah: Hue: menyatakan warna sebenarnya, seperti merah, violet, dan kuning dan digunakan menentukan kemerahan (redness), kehijauan (greeness), dsb. Saturation: kadang disebut chroma, adalah kemurnian atau kekuatan warna. Value : kecerahan dari warna. Nilainya berkisar antara 0-100 %. Apabila nilainya 0 maka warnanya akan menjadi hitam, semakin besar nilai maka semakin cerah dan muncul variasivariasi baru dari warna tersebut.
Web Cam warna
PC Jeruk nipis
Driver Motor
Conveyor dan Pemilah Jeruk
Pasar
Sistem
Terminal Supply +12V 1 +
C1
+12V
+
Regulator
R1
3
GND
D10 2 1
VCC +5V
RES1 C2
LED 1 LED
2
JP4
U14 LM7805CT Vin
DIO DE
HEADER 2
Jumper enable
J1 13 25 12 24 11 23 10 22 9 21 8 20 7D3 19 6C3 18 5D2 17 4C2 16 3D1 15 2C1 14 1
JP?
Sistem
Ena ble
HEADER 3
VCC
R2
14
DB25
U9A 1
VCC 16
CTE N D/U CLK LOAD A B C D SN74LS191 VCC
U5 MAX/MIN RCO QA QB QC QD
GND
12 13 3 2 6 7
15 A 14 B E 13 nable C 12 D
8 VCC 16
0 1 2 3 4 5 6 7 8 9
SN74LS42 VCC GND
1 2 3 4 5 6 7 9 10 11
Q4 IRF540N
Q7 IRF5 40N
4 SN74L S04 U9C
5
D7 DIODE
D8 D9 DIO DE DIODE
+12 V
RES1
JP1
SN74LS04
U9B 3
D6 DIO DE
2
7
U1 4 D15 C114 11 15 1 10 9
G ND V CC
VCC
Parallel port
VCC 3 2 1
Q5 IRF540N
1 2 3 4 5 6 HEADER 6
6 SN74L S04 U9D
8 9
Q10 IRF5 40N
8 SN74L S04
IC Updown counter, decoder, inverter dan FET
Rangkaian driver motor stepper
Software yang digunakan adalah Microsoft visual Studio 2008 dengan fasiltas Emgu CV yang ada. Metode RGB & HSV yang digunakan adalah menggunakan fasilitas dari Emgu CV Gambar HSV bisa didapatkan dari merubah dari gambar RGB menjadi gambar metode HSV. Dimana dari HSV ini dapat diambil nilai Hue-nya saja. Dimana nilai Hue-nya dapat menunjukkan nilai intensitas warna dan dipengaruhi dari intensitas cahaya.
saat mendeteksi buah matang
saat mendeteksi buah busuk
Kondisi Buah
Jumlah Buah Sample
Analisa
Keberhasialan pengenalan
Matang
10
8 buah dikenali matang
80%
Busuk
10
7 buah dikenali busuk
70%
4 buah dikenali matang+4 buah dikenali busuk
80%
Random(matang+b 5 matang + 5 usuk) busuk
Updown counter
Decoder
Inverter
Dari hasil percobaan didapat keberhasilan mengenali buah matang sebesar 80% Dari hasil percobaan didapet keberhasilan mengenali buah busuk sebesar 70% Perlu didukung dengan pengaturan pencahayaan ruangan yang dijaga konstan.
Terima kasih
