SKRIPSI PENGEMBANGAN METODE PENGHITUNGAN BENIH IKAN LELE DENGAN PENGOLAHAN CITRA DAN METODE PENIMBANGAN BENIH
OLEH: M. ZANI KUSUMA ADHI F14062975
DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR 2011
DEVELOPMENT OF JOUVENILE CATFISH COUNTING METHOD WITH IMAGE PROCESSING AND MASS MEASUREMENT
M. Zani Kusuma Adhi and I Wayan Astika Department of Mechanical and Biosystem Engineering, Faculty of Agricultural Technology, Bogor Agricultural University, IPB Dramaga Campus, PO Box 220, Bogor, West Java, Indonesia. e-mail :
[email protected]
ABSTRACT Alternative methods for jouvenile fish counting to replace the manual method are image processing method and mass measurement method. Image processing is one of the computer algorithms that can observe and analyze an object without direct contact with the object being observed. The image of jouvenile fish was taken by using a container attached to a holding frame with a digital camera on its top. The resulted image was processed with a Visual Basic program to determine the area of jouvenile fish. The jouvenile fish area was then used to determine the number of fish. Based on the image analysis on the jouvenile size of 7.8 cm, the average area obtained was of 871 pixels with the standard deviation of 112 pixels. The jouvenile mass was measured manually on each sample. The average mass of jouveniles was 2.17 g with a standard deviation of 0.66 and an average body length of 6.48 cm. The measurement results were then used for the simulation data with Microsoft Excel. The simulation was to calculate the probability of certain jouvenile mass occurrences. The accuracy of image processing was quite high, that is, the calculation error was 4% for image capturing 0 second after fish release, 3% for 5 second after release, 5% for 10 second after release and 10% for 15 seconds after release in the grade 3-4 cm. In the grade 5-7 cm the average error was 6% for image capturing 0 second after fish release, 4% for 5 second after release, 7% for 10 second after release and 14% for 15 second after release. The best accuracy was obtained when image was taken at an interval of 5 seconds. The error of mass measurement method as it is compared to manual counting was 3.5 %, while the simulation of mass measurement method error was 2.3%.
M. ZANI KUSUMA A. F14062975. Pengembangan Metode Penghitungan Benih Ikan Lele dengan Pengolahan Citra dan Penimbangan Benih. Di bawah bimbingan I Wayan Astika. 2011
RINGKASAN
Perhitungan benih ikan lele biasa dilakukan saat benih ikan dipasarkan dari pihak pembenih ke pihak pendeder maupun ke pihak pembesaran. Selama ini petani ikan lele masih melakukan perhitungan benih secara manual yaitu dengan metode sampling atau dengan menghitung satu per satu. Perhitungan secara manual tersebut membutuhkan waktu yang relatif lama yaitu untuk menghitung 1000 ekor benih oleh petani membutuhkan waktu sekitar 15-20 menit dan akurasi yang tidak terjamin khususnya untuk menghitung benih ikan dalam jumlah yang besar. Metode perhitungan benih ikan lele untuk menggantikan cara manual adalah metode image processing dan pengukuran berat. Tujuan penelitian ini adalah untuk mengembangkan metode perhitungan benih ikan lele dengan image processing dan berat benih. Penelitian ini menggunakan teknologi pengolahan citra dan pengukuran berat untuk menentukan jumlah benih ikan. Pengambilan citra benih ikan menggunakan alat berupa wadah yang dirangkai dengan sebuah kerangka dudukan yang terdapat kamera digital pada bagian atasnya. Cara penggunaan alat yaitu wadah ikan diletakkan pada kerangka dudukan agar permukaan wadah stabil dan sejajar dengan tanah. Benih ikan diambil dengan gayung atau nampan kecil kemudian dituangkan dalam wadah. Setelah dilakukan pengambilan citra dengan kamera yang terpasang di atasnya, wadah ikan diangkat dan benih ikan yang telah diambil gambarnya dituang ke tempat penampungan (wadah ikan yang lain). Wadah kemudian diletakkan kembali pada kerangka dudukan untuk selanjutnya dilakukan pengambilan citra benih ikan berikutnya. Citra kemudian diolah dengan program Visual Basic 6.0 untuk menganalisa luas benih ikan. Luas benih ikan tersebut kemudian digunakan untuk menentukan jumlah benih ikan yang ada. Hasil pengolahan citra menunjukkan bahwa perilaku benih mempengaruhi hasil analisa luas area yang diciptakan benih. Benih ikan lele cenderung menggerombol ke tepi wadah setelah beberapa saat dituang dalam wadah. Hal ini mengakibatkan luas area yang diciptakan semakin luas mulai dari penuangan benih dalam wadah (pada waktu 0 detik sampai 15 detik). Waktu yang tepat untuk pengambilan citra yaitu pada selang waktu 5 detik setelah benih dituang dalam wadah. Perubahan posisi juga berpengaruh terhadap hasil analisa citra. Satu ikan dengan berbagai posisi dapat menghasilkan luasan area yang bervariasi tergantung perubahan posisi yang dilakukannya. Selain itu, posisi ikan yang berhimpit satu sama lain juga menghasilkan berbagai ukuran luas. Berdasarkan hasil analisa citra pada benih berukuran 7.8 cm, diperoleh hasil rata-rata luas area sebesar 871 piksel dengan standar deviasi 112 piksel. Pengukuran berat benih dilakukan secara manual terhadap setiap ekor sampel dari 76 benih ikan lele berukuran 5-7 cm. Berdasarkan hasil pengukuran diketahui berat rata-rata benih 2.17 g dengan standar deviasi sebesar 0.66 g dan panjang tubuh rata-rata 6.48 cm. Hasil pengukuran tersebut kemudian digunakan sebagai data untuk dilakukan simulasi dengan Microsoft Excel. Simulasi dilakukan dengan menghitung peluang munculnya berat benih tertentu.
Akurasi perhitungan dengan image processing cukup tinggi yaitu dengan error pada pengambilan citra selang waktu 0 detik setelah benih dituang dalam wadah sebesar 4%, pengambilan citra 5 detik setelah benih dituang sebesar 3%, pengambilan citra 10 detik setelah benih dituang sebesar 5%, dan pengambilan citra 10 detik setelah benih dituang sebesar 10% pada grade 3-4 cm. Pada grade 5-7 cm, ratarata error pada pengambilan citra selang waktu 0 detik setelah benih dituang dalam wadah sebesar 6%, pengambilan citra 5 detik setelah dituang sebesar 4%, pengambilan citra 10 detik setelah dituang sebesar 7%, dan pengambilan citra 15 detik setelah dituang sebesar 14%. Error perhitungan benih berdasarkan pengukuran berat secara manual sebesar 3.5%, sedangkan error perhitungan benih dengan simulasi berdasarkan berat sebesar 2.3%.
PENGEMBANGAN METODE PENGHITUNGAN BENIH IKAN LELE DENGAN PENGOLAHAN CITRA DAN METODE PENIMBANGAN BENIH
SKRIPSI Sebagai salah satu syarat untuk memperoleh gelar SARJANA TEKNOLOGI PERTANIAN pada Departemen Teknik Mesin dan Biosistem, Fakultas Teknologi Pertanian, Institut Pertanian Bogor
Oleh: M. ZANI KUSUMA ADHI F14062975
FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR BOGOR 2011
Judul Skripsi : Pengembangan Metode Penghitungan Benih Ikan Lele dengan Pengolahan Citra dan Penimbangan Benih Nama : M. Zani Kusuma Adhi NIM : F14062975
Menyetujui,
Pembimbing
(Dr. Ir. I Wayan Astika, M.Si.) NIP. 19631031 198903 1002
Mengetahui: Ketua Departemen,
(Dr. Ir. Desrial, M.Eng.) NIP. 19661201 199103 1004
Tanggal lulus:
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI Saya menyatakan dengan sebenar-benarnya bahwa skripsi dengan judul “Pengembangan Metode Penghitungan Benih Ikan Lele dengan Pengolahan Citra dan Penimbangan Benih” adalah hasil karya saya sendiri dengan arahan Dosen Pembimbing Akademik, dan belum diajukan dalam bentuk apa pun pada 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.
Bogor, Oktober 2011 Yang membuat penyataan
M. Zani Kusuma A F14062975
© Hak cipta milik M. Zani Kusuma A, tahun 2011 Hak cipta dilindungi Dilarang mengutip dan memperbanyak tanpa izin tertulis dari Institut Pertanian Bogor, sebagian atau seluruhnya dalam bentuk apa pun, baik cetak, fotokopi, mikrofilm, dan sebagainya.
BIODATA PENULIS
Penulis dilahirkan di Boyolali, 9 Juni 1987 dari ayah Suyoko dan ibu Siti Muniroh. Penulis merupakan anak kedua dari tiga bersaudara. Penulis menempuh pendidikan pertama kali di TK PGRI Purwodadi dan selesai pada tahun 1994, setelah itu penulis melanjutkan pendidikan di MIN Tawangsari yang diselesaikan pada tahun 2000. Pendidikan berikutnya dilanjutkan penulis di SLTP N 2 Boyolali dan lulus pada tahun 2003. Kemudian penulis melanjutkan sekolah menegah di SMA Negeri 1 Boyolali dan masuk dalam program IPA serta lulus pada tahun 2006. Pada tahun 2006 penulis lulus seleksi masuk IPB melalui jalur Undangan Seleksi Masuk IPB (USMI) yang selanjutnya masuk pada mayor Teknik Pertanian, Fakultas Teknologi Pertanian pada tahun 2007. Selama mengikuti perkuliahan penulis aktif dalam berbagai kegiatan termasuk menjadi pengurus Himpunan Mahasiswa Teknik Pertanian (HIMATETA) pada periode 2007/2008, serta menjadi ketua organisasi mahasiswa daerah “Forum Komunikasi Mahasiswa Boyolali (FKMB)” rayon Bogor pada tahun 2008/2009. Penulis melaksanakan Praktik Lapangan selama 40 hari pada tahun 2009 di perkebunan kelapa sawit PT Sampoerna Agro,Tbk, Palembang, Sumatera Selatan. Pada tahun 2010 penulis mengikuti program magang selama 4 bulan di PT Toyota Motor Manufacturing Indonesia (TMMIN), Sunter, Jakarta Utara. Selain itu penulis juga menjadi staf pengajar di bimbingan belajar Nurul Ilmi Center di Tanah Baru, Bogor sejak akhir 2010 sampai sekarang.
ii
KATA PENGANTAR
Segala puji dan syukur penulis panjatkan kehadirat Allah SWT, atas limpahan rahmat dan karunia-Nya, sehingga penulis dapat menyelesaikan Tugas Akhir Program Sarjana (skripsi) yang berjudul “Pengembangan Metode Penghitungan Benih Ikan Lele dengan Pengolahan Citra dan Penimbangan Benih”. Penelitian ini dimulai sejak bulan April sampai Oktober 2011. Tidak lupa penulis mengucapkan terima kasih tidak terhingga kepada: 1. 2.
3. 4. 5. 6. 7.
Ayah dan Ibu tercinta yang senantiasa mendoakan serta memberi dukungan kepada penulis. Dr. Ir. I Wayan Astika, M.Si selaku dosen pembimbing akademik yang telah menyediakan waktu dalam memberikan bimbingan, pengarahan, dan petunjuk yang telah diberikan kepada penulis. Dr. Ir. M. Faiz Syuaib, M.Agr dan Dr. Ir. Usman Ahmad, M.Agr selaku dosen penguji yang telah memberikan masukan dan arahan kepada penulis. Iqbal Syahputra, Ilham Eko Nugroho, dan Romi Winandar atas segala bantuannya dalam proses penelitian. Mega Dewi Retnantiti yang selalu memberikan semangat, motivasi dan dukungan moral selama proses penelitian. Teman-teman di Forum Komunikasi Mahasiswa Boyolali yang sebagai keluarga besar saya di Bogor. Teman-teman TEP angkatan 43 atas bantuannya selama pembuatan penelitian ini.
Akhirnya penulis berharap semoga tulisan ini memberikan manfaat dan kontribusi yang nyata terhadap perkembangan ilmu pengetahuan di bidang teknologi pertanian.
Bogor, Oktober 2011
Penulis
iii
DAFTAR ISI
Halaman KATA PENGANTAR ........................................................................................................ DAFTAR ISI ...................................................................................................................... DAFTAR TABEL .............................................................................................................. DAFTAR GAMBAR .......................................................................................................... DAFTAR LAMPIRAN ...................................................................................................... I. PENDAHULUAN .............................................................................................................. A. LATAR BELAKANG .................................................................................................. B. TUJUAN ...................................................................................................................... II. TINJAUAN PUSTAKA ..................................................................................................... A. PERHITUNGAN BENIH IKAN .................................................................................. B. CITRA DIGITAL ......................................................................................................... C. PENGOLAHAN CITRA .............................................................................................. III. METODE PENELITIAN ................................................................................................... A. WAKTU DAN TEMPAT ............................................................................................ B. BAHAN DAN ALAT .................................................................................................. C. METODE PENELITIAN ............................................................................................. IV. HASIL DAN PEMBAHASAN .......................................................................................... A. DESKRIPSI ALAT ....................................................................................................... B. PENGOLAHAN CITRA .............................................................................................. C. KARAKTERISTIK AREA BENIH IKAN LELE ........................................................ D. PERHITUNGAN JUMLAH BENIH IKAN LELE ...................................................... E. BERAT BENIH IKAN LELE....................................................................................... F. SIMULASI PERHITUNGAN JUMLAH BENIH IKAN LELE BERDASARKAN BERAT ........................................................................................................................ V. KESIMPULAN DAN SARAN .......................................................................................... A. KESIMPULAN ............................................................................................................. B. SARAN ........................................................................................................................ DAFTAR PUSTAKA ......................................................................................................... LAMPIRAN .......................................................................................................................
iii iv v vi vii 1 1 1 2 2 3 4 6 6 6 6 8 8 11 13 22 24 30 33 33 33 34 36
iv
DAFTAR TABEL
Halaman Tabel 1. Tabel 2. Tabel 3. Tabel 4. Tabel 5. Tabel 6. Tabel 7. Tabel 8. Tabel 9. Tabel 10. Tabel 11.
Nilai sinyal RGB pada penentuan parameter thresholding .......................................... 13 Luas area 1 benih ikan ukuran 7.8 cm dengan berbagai posisi..................................... 17 Perhitungan luas piksel ikan pada ukuran 3-4 cm ........................................................ 22 Perhitungan luas piksel ikan pada ukuran 5-7 cm ........................................................ 23 Hasil perhitungan dengan image processing ................................................................ 23 Error perhitungan dengan image processing ................................................................ 24 Hasil pengukuran berat dan panjang per ekor benih ikan lele ...................................... 25 Hasil pengukuran berat 100 ekor benih ikan ................................................................ 28 Hasil perhitungan 100 ekor benih ikan dengan pengukuran berat................................ 30 Peluang munculnya berat ikan tertentu pada benih ikan berukuran 5-7 cm ................. 31 Hasil simulasi perhitungan 100 ekor benih ikan berdasarkan berat ............................. 31
v
DAFTAR GAMBAR
Halaman Gambar 1. Sistem terdepan dari pengolahan citra (Arymurthy dan Suryana, 1992) ............. 4 Gambar 2. Rancangan alat penghitung benih ikan ................................................................. 8 Gambar 3. Kamera digital merk Spectra ................................................................................ 9 Gambar 4. Rangka dudukan kamera ...................................................................................... 10 Gambar 5. Wadah ikan ........................................................................................................... 10 Gambar 6. Kerangka meja alas............................................................................................... 11 Gambar 7. Tampilan program pengolahan citra benih ikan lele ............................................ 11 Gambar 8. Tampilan proses pembukaan citra digital ............................................................. 12 Gambar 9. Tampilan proses pemisahan citra objek dan citra latar ......................................... 13 Gambar 10. Grafik perubahan area 50 ekor benih ikan ukuran 3-4 cm pada siang hari........... 14 Gambar 11.Grafik perubahan area 50 ekor benih ikan ukuran 5-7 cm pada siang hari ........... 15 Gambar 12. Grafik perubahan area 50 ekor benih ikan ukuran 3-4 cm pada sore hari ............ 15 Gambar 13. Grafik perubahan area 50 ekor benih ikan ukuran 5-7 cm pada sore hari ............ 16 Gambar 14. Grafik uji kenormalan luas area benih ikan ukuran 7.8 cm .................................. 18 Gambar 15. Kurva sebaran normal luas area benih ikan ukuran 7.8 cm .................................. 18 Gambar 16. Diagram area beberapa benih ikan ukuran 3-4 cm ............................................... 19 Gambar 17. Diagram area hasil threshold 1 ............................................................................. 20 Gambar 18. Diagram area hasil threshold 2 ............................................................................. 20 Gambar 19. Diagram area hasil threshold 3 ............................................................................. 20 Gambar 20. Diagram area 2 ekor ikan (3-4 cm) yang berhimpit.............................................. 21 Gambar 21. Diagram area 2 ekor ikan (5-7 cm) yang berhimpit.............................................. 21 Gambar 22. Penimbangan benih .............................................................................................. 25 Gambar 23. Grafik perbandingan berat terhadap panjang tubuh benih ikan ukuran 5-7 cm .... 26 Gambar 24. Grafik uji kenormalan berat benih ikan lele ukuran 5-7 cm ................................. 27 Gambar 25. Kurva sebaran normal berat benih ukuran 5-7 cm ................................................ 27 Gambar 26. Grafik uji kenormalan berat 100 ekor benih ikan ................................................. 29 Gambar 27. Kurva sebaran normal berat 100 ekor benih ikan ................................................. 29
vi
DAFTAR LAMPIRAN
Halaman Lampiran 1. Spesifikasi kamera .............................................................................................. 37 Lampiran 2. Gambar posisi benih dari waktu 0 detik sampai 15 detik pada grade 3-4 cm ..... 38 Lampiran 3. Gambar posisi benih dari waktu 0 detik sampai 15 detik pada grade 5-7 cm ..... 39 Lampiran 4. Gambar perhitungan luas area 1 ekor ikan dengan berbagai posisi .................... 40 Lampiran 5. Tabel luasan area hasil threshold 1 .................................................................... 41 Lampiran 6. Tabel luasan area hasil threshold 2 .................................................................... 41 Lampiran 7. Tabel luasan area hasil threshold 3 .................................................................... 41 Lampiran 8. Gambar posisi ikan berhimpit pada ukuran 3-4 cm ........................................... 42 Lampiran 9. Gambar posisi ikan berhimpit pada ukuran 5-7 cm ........................................... 43 Lampiran 10. Analisis regresi berat terhadap panjang benih ................................................... 44 Lampiran 11. Gambar piktorial alat penghitung benih ............................................................ 45 Lampiran 12. Gambar orthogonal alat penghitung benih ......................................................... 46 Lampiran 13. Gambar kerangka meja ...................................................................................... 47 Lampiran 14. Gambar wadah ikan ........................................................................................... 48 Lampiran 15. Gambar dudukan kamera ................................................................................... 49
vii
I. PENDAHULUAN
A. Latar Belakang Ikan lele merupakan salah satu jenis ikan air tawar yang digemari oleh masyarakat. Setiap tahun permintaan ikan lele mengalami peningkatan. Hal ini terbukti dengan semakin menjamurnya warung tenda yang menyajikan pecel lele sebagai menu utamanya. Tidak hanya di sepanjang jalan kota besar, di kota kabupaten dan kecamatan pun penjaja pecel lele kian banyak. Peluang inilah yang membuat masyarakat untuk terjun dalam bisnis pertanian perikanan khususnya ikan lele. Budidaya lele tidak harus dilakukan secara terpadu mulai dari pembenihan, pendederan, dan pembesaran dalam satu unit usaha, namun bisa dipecah-pecah menjadi beberapa kegiatan secara terpisah. Hal ini berarti ada petani yang hanya bertindak sebagai pembenih, ada yang hanya sebagai pendeder, dan selebihnya bergerak dibidang usaha pembesaran. Untuk menunjang usaha pembesaran perlu tersedia benih lele yang berkualitas dalam jumlah yang mencukupi, sehingga peluang usaha disetiap sub sistem masih terbuka lebar. Perhitungan benih ikan lele biasa dilakukan saat benih ikan dipasarkan dari pihak pembenih ke pihak pendeder maupun ke pihak pembesaran. Selama ini petani ikan lele masih melakukan perhitungan benih secara manual yaitu dengan metode sampling atau dengan menghitung satu per satu. Rata-rata petani membutuhkan waktu sekitar 15-20 menit untuk menghitung 1000 benih ikan lele. Menurut Seminar (2000), perhitungan bibit ikan yang dilakukan secara manual memiliki banyak kelemahan, antara lain: subyektifitas perhitungan, waktu yang lambat, kelelahan dalam perhitungan, dan akurasi yang tidak memadai khususnya untuk menghitung bibit ikan dalam jumlah yang besar. Sebelumnya telah dilakukan penelitian mengenai perhitungan benih ikan dengan berbagai metode. Metode perhitungan benih ikan lele untuk menggantikan cara manual adalah metode image processing dan pengukuran berat benih. Image processing dapat dijadikan sebuah alternatif karena metode ini tidak merusak objek (non destructive). Image processing merupakan salah satu algoritma komputer yang mampu mengamati dan menganalisa suatu objek tanpa berhubungan langsung dengan objek yang diamati. Metode ini berkembang seiring dengan peningkatan kecepatan komputer dalam mengolah data, sehingga metode ini diharapkan mampu membantu perhitungan benih ikan lele dengan akurat dan hemat waktu. Untuk menunjang aplikasi dari metode tersebut maka dilakukan pengembangan lebih lanjut mengenai sistem aplikasi dari metode image processing.
B. Tujuan Penelitian Secara umum penelitian ini bertujuan untuk mengembangkan metode perhitungan benih ikan lele dengan image processing dan berat benih.
1
II. TINJAUAN PUSTAKA
A. PERHITUNGAN BENIH IKAN Aplikasi pengolahan citra telah banyak diterapkan untuk meneliti berbagai produk pertanian. Berikut adalah beberapa hasil penelitian menggunakan image processing: Pramesti (2003) menggunakan image processing dan artificial neural network dalam pengenalan butiran beras mengapur dan kuning / rusak. Image processing digunakan untuk mendapatkan data berupa nilai R, G, B, color value, Ired, Igreen, Iblue, hue, saturation, dan intensitty yang merupakan input data dalam artificial neural network. Dihasilkan akurasi sebesar 74,5% pada proses training dan 94,09% pada proses validasi. Nur (2003) menggunakan image processing dan artificial neural network dalam pengenalan derajat sosoh beras tipe IR-64 dan Membramo. Image processing digunakan untuk mendapatkan data berupa R, G, B, color value, Ired, Igreen, Iblue, hue, saturation, dan intensitty yang merupakan input data dalam artificial neural network. Akurasi yang dihasilkan sebesar 45,46% untuk jenis IR-64 dan 55,35% untuk jenis Membramo pada proses training, 20,73% untuk jenis IR-64 dan 39% untuk jenis Membramo pada proses validasi. Jenie (2005) menggunakan image processing, artificial neural network, dan least euclid range untuk menentukan mutu warna teh hitam. Dalam penelitian ini dibangun dua model artificial neural network. Model A menggunakan 5 macam input yakni R, G, B, CV, dan elevasi penanaman. Model B menggunakan 18 macam input yakni R, G, B, CV, IR, IG, IB, C, M, Y, K, X, Y, Z, cos hue, saturasi, intensitas, dan elevasi penanaman. Kedua model menggunakan hidden node sebanyak dua kali jumlah node input, dan memiliki laju pembelajaran 0,35. Logika least euclid range menggunakan 5 input seperti model A, dan diberi nama model C. Penentuan mutu warna teh didasarkan pada warna standard yaitu kehitaman (blackish), keabuan (greyish), kecokelatan (brownish), dan kemerahan (reddish). Pada penelitian ini digunakan 60 sampel untuk proses training dan 60 sampel untuk proses validasi. Hasil dari penelitian ini menunjukkan bahwa model A mencapai akurasi 100% dalam 7000 iterasi pada proses pelatihan, sedangkan akurasi pada proses validasi adalah 0 % untuk blackish, 100% untuk greyish, 100% untuk brownish, dan 100% untuk reddish. Model B mencapai akurasi 100% dalam 7000 iterasi pada proses pelatihan, sedangkan akurasi pada proses validasi adalah 86,7 % untuk blackish, 93,3% untuk greyish, 100% untuk brownish, dan 100% untuk reddish. Model C mencapai akurasi 63,3% dalam 7000 iterasi pada proses pelatihan, sedangkan akurasi pada proses validasi adalah 53,3 % untuk blackish, 53,3% untuk greyish, 66,7% untuk brownish, dan 80% untuk reddish. Penelitian tentang perhitungan ikan telah banyak dikembangkan dengan berbagai metode. Beberapa hasil penelitian tentang perhitungan ikan antara lain: Seminar (2000) membuat desain alat penghitung bibit ikan dengan multisensor paralel. Desain fungsional alat penghitung bibit ikan dengan multisensor dikembangkan dari alat penghitung dengan sensor tunggal dengan mereplikasi penyaluran keluaran ikan dan sistem sensor, serta menambahkan komponen fungsional penjumlah (adder). Alat tersebut terdiri dari 7 komponen yaitu: bak pengisian (filling vessel), pipa penyaluran (outlet pipe), sensor (detector), pencacah pulsa (pulse counter), penjumlah (adder), peraga digital (display), dan bak penerimaan (receiving vessel). Prinsip kerja dari alat penghitung ikan ini yaitu ikan yang akan dihitung
2
dialirkan melalui pipa yang transparan sehingga kehadiran ikan pada pipa dapat dideteksi satu persatu oleh sensor yang dipasang pada pipa penyaluran. Pada alat tersebut dipasang 4 pipa penyaluran. Hadir dan tidaknya ikan yang melintas sensor tersebut menghasilkan kondisi biner (gelap dan terang) sehingga keluaran dari sistem sensor menghasilkan pulsa diskrit berbentuk persegi. Hasil dari pembacaan sensor tersebut kemudian dijumlahkan secara paralel untuk memperoleh hasil perhitungan. Pengujian performansi alat penghitung dengan multisensor paralel belum dilaksanakan sehingga belum diketahui seberapa besar akurasi, kecepatan perhitungan, dan keamanan bagi ikan. Rahmat (2006) membuat rancang bangun instrumen sortir ikan otomatis dengan pengolahan citra digital. Hasil dari penelitian tersebut yaitu prototipe alat sortir ikan hidup dengan menggunakan pengolahan citra digital dan komputer sebagai basis kontrol. Alat tersebut terdiri dari bak penampung air, conveyor belt, interupt, CCD kamera, komputer, pengarah aliran, motor servo, motor pompa air, dan sensor optik. Prinsip kerja alat tersebut adalah mengalirkan aliran air ke bak penampung air dengan pompa air, kemudian ikan dimasukkan ke dalam bak tersebut. Ikan secara otomatis akan mengikuti aliran air, tetapi jika prosesnya lambat maka perlu bantuan pekerja. Ikan yang masuk dalam saluran air akan menyentuh interupt yang akan memberikan sinyal ke komputer untuk melakukan pengambilan gambar menggunakan CCD kamera. Setelah ikan terdeteksi oleh interupt kemudian dipindai oleh CCD kamera yang mendeteksi gambar dari ikan yang akan diproses oleh komputer melalui kabel paralel port. Setelah image diolah, komputer menginstruksikan untuk mengaktifkan motor servo yang akan menggerakkan pengarah aliran untuk melakukan sortasi. Ikan yang meluncur pada saluran air akan secara otomatis terhitung ditampilkan dalam sistem informasi pada monitor komputer. Dalam penelitian tersebut tidak dicantumkan hasil dari pengujian alat sehingga tidak diketahui berapa lama perhitungan ikan berlangsung dan akurasi yang dicapai. Saksanni (2008) menggunakan image processing dalam pemutuan dan perhitungan bibit ikan lele pada 3 kondisi pencahayaan yaitu pada ruang terbuka, di bawah naungan sinar matahari, dan di ruang dengan pencahayaan terkondisi. Nilai akurasi yang diperoleh pada pengujian di ruang terbuka dengan parameter luas sebesar 77,78 % dan menggunakan parameter panjang sebesar 61,79 %. Pengujian di naungan sinar matahari menggunakan parameter luas sebesar 86,67 % dan menggunakan parameter panjang sebesar 83,33 %. Pengujian di ruang terkondisi menggunakan parameter luas sebesar 87,78 % dan menggunakan parameter panjang sebesar 64,44 %. Kelemahan pada metode ini yaitu belum mampu mengenali bintik putih pada tubuh ikan lele akibat pemantulan sinar, belum mampu menanggulangi cacat pada citra objek pengolahan akibat riak air, belum mampu mengenali dan memisahkan objek ikan lele yang bersinggungan.
B. CITRA DIGITAL 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. Komputer digital bekerja dengan angka-angka presisi terhingga, dengan demikian hanya citra dari kelas diskrit-diskrit yang dapat diolah dengan komputer, citra dari kelas tersebut lebih dikenal sebagai citra digital. Citra digital merupakan citra non-fotografik yang direkam dalam bentuk elemen-elemen gambar (Purwadhi, 2001). Elemen-elemen gambar (pixel) menyatakan tingkat keabuan atau tingkat warna yang terekam pada citra. Informasi yang terkandung dalam pixel tersebut bersifat diskrit (dengan ukuran
3
presisi tertentu). Diskrit dalam pengolahan data nilai keabuan dan titik-titik koordinat dinyatakan dengan presisi angka terhingga.
C. PENGOLAHAN CITRA Analisa citra (image analysis) dapat dilakukan melalui dua metode, image processing dan pattern recognition. Image processing adalah sekelompok teknik komputasi untuk menganalisa, peningkatan mutu citra (enhacing), kompresi dan rekonstruksi citra. Sistem visual adalah sebuah proses untuk memperoleh pengukuran atau abstraksi dari sifatsifat geometri dari citra. Komponen yang membentuk sistem visual adalah komponen geometri, pengukuran, dan interpretasi. Pembentukan citra terdiri atas geometri citra yang menentukan suatu titik dalam suatu image, diproyeksikan pada bidang citra sebagai fungsi pencahayaan image dan sifat-sifat permukaan (Arymurthy dan Suryana, 1992). Citra digital dapat diperoleh secara otomatis dari sistem perangkat citra digital yang melakukan penjelajahan citra membentuk suatu matrik dimana elemen-elemennya menyatakan tingkat intensitas cahaya pada suatu lingkungan diskrit dari titik. Sistem tersebut merupakan bagian terdepan dari suatu sistem pengolahan citra seperti terlihat pada Gambar 1.
Citra masukan
Sensor
Pengubah analog ke digital
Citra digital
Monitor Peraga
Penyimpanan Bingkai Citra
Komputer digital
Gambar 1. Sistem terdepan dari pengolahan citra (Arymurthy dan Suryana, 1992) Citra merupakan sekumpulan titik-titik dari gambar yang berisi informasi warna dan tidak bergantung pada waktu. Umumnya citra dibentuk dari kotak-kotak persegi empat yang teratur sehingga jarak horizontal dan vertikal antar piksel sama pada seluruh bagian citra. Titik-titik tersebut menggambarkan posisi koordinat dan menunjukkan warna citra. Warna citra didapat melalui penjumlahan nilai Red, Green, Blue (RGB). Koordinat memberikan informasi warna piksel berdasarkan; brightness (ketajaman) warna cahaya (hitam, abu-abu, putih) dari sumber hue (corak warna) yang ditimbulkan oleh warna (merah, kuning, hijau). Citra (x,y) disimpan dalam memori komputer atau penyimpanan bingkai citra dalam bentuk array N x M dari contoh diskrit dengan jarak sama, sebagai berikut :
4
f(x,y) = Pixel (picture element) element) adalah sebuah titik yang merupakan elemen paling kecil pada citra. Angka numerik (1 byte) dari pixel disebut digital number (DN). DN bisa ditampilkan dalam warna kelabu, berkisar antara putih dan hitam (gray scale), tergantung level energi yang terdeteksi. Unit terkecil dari data digital adalah bit, yaitu angka biner, 0 atau 1. Kumpulan dari data sejumlah 8 bit adalah sebuah unit data yang disebut byte, dengan nilai 0-255. Dalam hal citra digital nilai level energi dituliskan dalam satuan byte. Kumpulan byte ini dengan struktur tertentu bisa dibaca oleh software dan disebut citra digital 8-bit. Alat masukan citra yang umum digunakan adalah CCD (charged couple device), dimana sensor citra dari alat ini menghasilkan menghasilkan keluaran berupa citra analog sehingga dibutuhkan perangkat digitasi yang terpisah dengan kamera. Alat digitasi ini dapat berupa penjelajahan solid-state yang menggunakan matriks sel yang sensitif terhadap cahaya yang masuk, dimana citra yang terekam mempunyai kedudukan yang tetap. Saat ini telah terdapat kamera digital yang menghasilkan keluaran langsung yang berupa digital sehingga tidak diperlukan proses digitasi lebih lanjut. Selain itu, terdapat alat digitasi lain yang disebut dengan alat digitasi digitasi video. Alat ini digunakan pada sistem penangkapan citra yang menghasilkan sinyal televisi. Sinyal video analog ini mempunyai format keluaran yang sesuai standar televisi berwarna seperti NTSC, SECAM serta PAL (Arymurthy dan Suryana, 1992).
5
III. METODE PENELITIAN
A. WAKTU DAN TEMPAT PELAKSANAAN Penelitian dilaksanakan pada bulan April 2011 sampai dengan Oktober 2011 dan berlokasi di Babakan Lio no 9A, Darmaga, dan Laladon, Bogor.
B. BAHAN DAN ALAT 1.
2.
Bahan Bahan yang digunakan dalam penelitian ini adalah benih ikan lele berukuran 3-4 cm sebanyak 300 ekor dan 5-7 cm sebanyak 400 ekor. Alat Peralatan yang digunakan dalam penelitian ini adalah: a. Personal computer (PC) untuk pengolahan citra. b. Kamera digital c. Software Microsoft Visual Basic d. Timbangan digital duduk dengan ketelitian 10-2 g dan timbangan digital gantung dengan ketelitian 10-2 kg. e. Meteran
C. METODE PENELITIAN Penelitian ini terdiri dari beberapa tahap yaitu: 1.
Persiapan Alat Pengambilan citra benih ikan lele menggunakan sebuah alat untuk mempermudah pengambilan citra. Alat yang digunakan berupa wadah yang dirangkai dengan sebuah kerangka dudukan yang terdapat kamera pada bagian atasnya. Terdiri atas beberapa komponen seperti wadah ikan, meja alas, dan rangka dudukan kamera. Prinsip kerja alat ini adalah mengambil dan menyimpan citra ikan di lapangan. Oleh karena itu, dibutuhkan sebuah kerangka dudukan yang dapat menopang wadah agar tetap stabil dan sejajar dengan tanah. Wadah ikan dirancang agar dapat menampung ikan dengan jumlah tertentu tanpa mengubah ketinggian air dalam wadah. Pengaturan ketinggian air tersebut dilakukan untuk menghindari penumpukan benih ikan. Pada bagian kerangka meja alas dirancang untuk menahan beban wadah yang berisi ikan. Kerangka meja alas terhubung langsung pada tiang dudukan kamera yang dapat diatur tinggi rendah posisi kamera. Dengan pengaturan tinggi rangka dudukan kamera tersebut ukuran image dapat diatur.
6
2.
Pengambilan Citra Pengambilan citra dilakukan di tempat teduh pada siang dan sore hari agar memperoleh cahaya matahari yang cukup. Menurut Saksanni (2008), petani budidaya dapat menggunakan perangkat lunak pengolahan citra benih lele di ruang terbuka dengan syarat cahaya matahari berada pada kisaran 67400-77300 lux. Benih ikan lele diposisikan secara acak dalam wadah kaca berdimensi 30 cm x 40 cm x 3 cm dengan warna latar putih ( R=255, G=255, B=255) pada dasar wadah. Benih ikan lele diupayakan tidak saling menumpuk satu dengan yang lain untuk mempermudah komputer mengenali satu per satu. Warna putih sebagai latar pada wadah dipilih karena merupakan warna yang paling optimum digunakan pada tahap pengolahan citra. Penempatan kamera digital sebagai alat pengambilan citra diatur dengan ketinggian tetap setinggi 39 cm dari dasar wadah untuk setiap pengambilan citra.
3.
Pengolahan Citra Tahap selanjutnya dari pengambilan citra adalah tahap pengolahan citra. Pada tahap pengolahan citra dilakukan dengan menganalisis seluruh data yang disimpan dalam bentuk JPEG. Dalam menganalisis data digunakan program pengolahan citra Microsoft Visual Basic 6.0. Ruang lingkup program tersebut terdiri atas modul membuka file, modul filterisasi dan modul peragaan secara grafis pada citra yang diolah. Program dirancang untuk memisahkan gambar objek dengan latar belakang (thresholding) yang bertujuan untuk menganalisis klasifikasi warna objek dan luas objek. Proses thresholding dilakukan dengan perhitungan nilai parameter warna Red, Green, Blue (RGB).
4.
Pengukuran Berat Ikan Pengukuran berat dan panjang benih ikan lele dilakukan secara manual satu per satu untuk memperoleh berat rata-rata dari 1 benih ikan lele tersebut. Setelah berat 1 ekor benih diketahui, selanjutnya dilakukan pengukuran berat untuk beberapa ekor benih ikan lele. Pada penelitian ini digunakan 100 ekor benih untuk dilakukan pengukuran berat. Perhitungan jumlah benih ikan lele dapat diketahui dari hasil pengukuran berat benih secara gabungan (100 ekor) dibagi dengan berat benih per ekor.
5.
Simulasi Perhitungan Jumlah Setelah diperoleh data mengenai berat benih ikan lele, dilakukan simulasi untuk menentukan jumlah benih ikan lele tersebut. Simulasi dilakukan menggunakan program Microsoft Excel. Simulasi dilakukan dengan menghitung munculnya peluang berat ikan tertentu.
7
IV. HASIL DAN PEMBAHASAN
A. DESKRIPSI ALAT Perhitungan benih ikan dengan image processing didasarkan pada luas citra benih ikan. Pengambilan citra menggunakan sebuah alat berupa wadah yang terdapat kamera di bagian atasnya yang digunakan untuk mengambil citra benih ikan. Untuk dapat mengambil citra benih ikan dengan baik maka alat harus mempunyai permukaan yang datar. Oleh karena itu alat harus dibuat agar selalu stabil kedudukannya terhadap tanah, sehingga pada perancangannya alat dibuat menyerupai kerangka meja dengan empat kaki yang saling terhubung untuk mempermudah dalam menciptakan permukaan yang datar. Pada kerangka meja terpasang tiang dudukan kamera. Gambar alat dapat dilihat pada Gambar 2.
4
3 1 2
Keterangan : 1. 2. 3. 4.
Wadah ikan Kerangka dudukan wadah Tiang penyangga kamera Kamera
Gambar 2. Rancangan alat penghitung benih ikan Alat juga dibuat agar dapat dibongkar pasang pada bagian dudukan kamera. Hal ini dilakukan dengan dasar pertimbangan untuk mempermudah pengaturan ketinggian kamera sehingga ukuran gambar dapat diatur sesuai kebutuhan. Cara penggunaan alat yaitu wadah ikan
8
diletakkan pada kerangka dudukan agar permukaan wadah stabil dan sejajar dengan tanah. Benih ikan diambil dengan gayung atau nampan kecil kemudian dituangkan dalam wadah. Setelah dilakukan pengambilan citra dengan kamera yang terpasang di atasnya, wadah ikan diangkat dan benih ikan yang telah diambil gambarnya dituang ke tempat penampungan (wadah ikan yang lain). Kemudian wadah diletakkan kembali pada kerangka dudukan untuk kemudian dilakukan pengambilan citra benih ikan berikutnya. 1. Rancangan Fungsional Rancangan ini terdiri atas beberapa komponen seperti : a.
Wadah Ikan Wadah ikan berfungsi untuk menampung ikan yang akan diambil gambarnya. Wadah tersebut juga dapat mengatur ketinggian air di dalamnya.
b. Rangka Meja Alas Rangka alas berfungsi sebagai dudukan wadah tempat ikan. Bagian ini terhubung dengan dudukan kamera. c.
Dudukan Kamera Bagian ini berfungsi sebagai pengikat kamera yang akan digunakan untuk pengambilan citra. Dudukan kamera ini dapat diatur ketinggiannya dengan mengatur posisi sekrup. Sehingga, ukuran citra (lebar dan panjang) hasil tangkapan kamera dapat disesuaikan ketinggiannya oleh rangka dudukan kamera.
d. Kamera Kualitas gambar dipengaruhi oleh resolusi pada kamera. Jenis kamera yang digunakan adalah kamera digital. Jenis kamera digital dapat dilihat pada Gambar 3.
Gambar 3. Kamera digital merk Spectra 2. Rancangan Struktural Rancangan sturuktural terdiri atas beberapa komponen :
9
a. Rangka Dudukan Kamera Bagian ini terbuat dari alminium yang terhubung dengan kamera. Bagian rangka ini terhubung dengan meja alas yang dapat dilepas dengan panjang 60 cm dan tegak lurus terhadap bidang horizontal meja alas. Pada rangka dudukan kamera terdapat sekrup untuk menahan dan mengatur ketinggian. Tampilan rangka dapat dilihat pada Gambar 4.
Gambar 4. Rangka dudukan kamera b. Wadah Ikan Bagian ini terbuat dari kaca dengan ukuran 40x30x3 cm. Terdapat empat buah celah berukuran 5 mm yang memanjang pada sepanjang sisi permukaan wadah dan terletak 1 cm dari dasar wadah sebagai pengatur ketinggian air. Celah air tersebut dibuat agar dapat meloloskan air tetapi dapat menahan benih ikan untuk tetap di dalam wadah. Ketinggian air diatur 1 cm bertujuan untuk menahan benih agar tidak bisa saling tumpang tindih satu sama lain. Tampilan wadah ikan dapat dilihat pada Gambar 5.
Gambar 5. Wadah ikan c.
Rangka Meja Alas Meja alas terbuat dari alminium dengan ukuran 31 x 41 cm dengan ketinggian kaki 30 cm. Meja alas dibuat dengan ukuran sedikit lebih besar dari wadah ikan untuk mempermudah penempatan wadah pada dudukan. Ketinggian rangka meja alas tersebut disesuaikan
10
dengan posisi tempat ikan yang akan dilakukan perhitungan. Pada umumnya benih ikan dipelihara pada kolam kecil dengan ketinggian rendah atau di dalam ember, sehingga saat menghitung benih ikan dilakukan dengan cara jongkok. Meja alas terhubung langsung oleh dudukan kamera. Gambar rangka meja alas dapat dilihat pada Gambar 6.
Gambar 6. Kerangka meja alas
B. PENGOLAHAN CITRA Hasil citra benih ikan yang telah diambil dengan kamera kemudian disimpan dalam memori card dalam bentuk JPEG berukuran 629 x 477 pixels. Selanjutnya citra tersebut dipindahkan ke komputer untuk selanjutnya diolah dengan menggunakan Microsoft Visual Basic 6.0. Program ini dirancang untuk menganalisa citra digital benih ikan lele sehingga diperoleh jumlah piksel parameter luas. Tampilan program dapat dilihat pada Gambar 7.
Gambar 7. Tampilan program pengolahan citra benih ikan lele
11
Program pengolahan citra yang dibuat terdiri atas tiga bagian utama, yakni proses membuka file gambar benih ikan lele yang telah disimpan (open file), proses thresholding untuk kalibrasi, dan proses perhitungan jumlah benih berdasarkan luas. Tahapan kerja program pengolahan citra benih ikan lele adalah sebagai berikut: 1. Pengambilan citra benih ikan lele Proses pengambilan citra menggunakan tombol perintah open file yang terdapat modul program Visual Basic 6.0. Proses ini bertujuan untuk mencari alamat file citra benih ikan lele yang telah disimpan pada folder. Citra benih ikan lele yang telah dipilih kemudian dibuka. Citra yang telah dibuka akan diproses thresholding untuk mengukur parameter. Proses pembukaan citra digital ditunjukkan pada Gambar 8.
Gambar 8. Tampilan proses pembukaan citra digital 2. Proses pemisahan citra objek dengan warna latar belakang (thresholding) Proses thresholding dilakukan dengan mengklik tombol perintah kalibrasi. Perintah ini bertujuan memisahkan objek dengan latar belakang sekaligus melakukan perhitungan jumlah luas objek sebagai hasil kalibrasi yang akan digunakan untuk perhitungan selanjutnya. Proses ini bekerja menggunakan nilai parameter R, G, dan B. Nilai-nilai parameter tersebut bekerja pada algoritma penentuan parameter thresholding yang membatasi nilai R, G, dan B citra digital sehingga piksel objek yang memenuhi batas nilai yang ditentukan akan diubah menjadi piksel hitam (0,0,0) dan latar akan diubah menjadi piksel putih (255,255,255). Nilai parameter algoritma penentuan parameter thresholding yang memisahkan objek dan latar pada waktu pengambilan citra ditunjukkan pada Tabel 1. Proses pemisahan citra objek dan citra latar ditunjukkan pada Gambar 9.
12
Tabel 1. Nilai sinyal RGB pada penentuan parameter thresholding
111
Intenitas cahaya siang (lux) 63,048
Intensitas cahaya sore (lux) 25,130
183
178
58,340
21,000
98
100
61,235
19,780
Parameter Thresholding
Siang
Sore
R
128
G B
Gambar 9. Tampilan proses pemisahan citra objek dan citra latar 3. Perhitungan parameter-parameter Setelah mengklik tombol perintah kalibrasi, maka program akan memproses data-data yang telah dimasukkan. Program akan menelusuri piksel demi piksel kemudian menghitung parameter nilai RGB keseluruhan citra. Selanjutnya nilai-nilai RGB tersebut akan menghitung jumlah luas per ekor benih sebagai kalibrasi. Tombol hitung kemudian diklik, program akan menelusuri piksel demi piksel kembali berdasarkan hasil kalibrasi tersebut untuk menghitung jumlah benih yang ada.
C. KARAKTERISTIK AREA BENIH IKAN LELE Berdasarkan analisa pengolahan citra diperoleh bahwa karakteristik area benih ikan lele saat pengambilan citra berbeda-beda satu sama lain. Karakteristik area dari benih ikan lele dipengaruhi oleh tingkah laku dari benih ketika berada di dalam wadah.
13
1. Area Benih Ikan Tiap Waktu Analisa pengolahan citra dilakukan dengan parameter luas. Hasil analisa menunjukkan bahwa area yang diciptakan benih ikan lele tiap waktu mengalami peningkatan. Hal ini dapat dilihat pada Gambar 10, 11, 12, dan 13. Peningkatan luasan area dari benih ikan lele disebabkan oleh tingkah laku benih yang cenderung berkumpul ke tepi wadah setelah beberapa saat. Hal ini mempengaruhi hasil analisa program. Program akan mendeteksi tiap luasan area yang ditempati oleh benih ikan lele. Ketika benih berada pada posisi sendiri (tidak bersinggungan dengan yang lain), program akan mendeteksi luasan yang dibentuk oleh benih ikan tersebut kemudian luasan area tersebut akan diakumulasikan untuk menunjukkan luas area benih secara keseluruhan. Ketika benih ikan berada pada posisi menggerombol (bersinggungan dengan benih ikan yang lain), program tidak bisa memisahkan secara detil area dari tiap ikan. Program akan membaca luasan area yang dibentuk sebagai satu kesatuan sehingga celah area antar benih ikan yang bersinggungan tidak terdeteksi. Hal ini menyebabkan hasil pembacaan luas area yang dibentuk oleh benih ikan tersebut menjadi semakin besar. Oleh karena itu, luas area yang dibentuk benih ikan lele semakin besar seiring bertambahnya waktu benih di dalam wadah tersebut.
40000 35000 Luas (piksel)
30000 25000 Ulangan1
20000 15000
Ulangan2
10000 Ulangan3
5000 0 0
5
10
15
Waktu (s) Gambar 10. Grafik perubahan area 50 ekor benih ikan ukuran 3-4 cm pada siang hari
14
40000 35000
Luas(piksel)
30000 25000 20000
Ulangan1
15000
Ulangan2
10000
Ulangan3
5000 0 0
5
10
15
Waktu (s) Gambar 11. Grafik perubahan area 50 ekor benih ikan ukuran 5-7 cm pada siang hari
40000 35000
Luas(piksel)
30000 25000 20000
Ulangan1
15000
Ulangan2
10000
Ulangan3
5000 0 0
5
10
15
Waktu (s) Gambar 12. Grafik perubahan area 50 ekor benih ikan ukuran 3-4 cm pada sore hari
15
40000 35000
Luas(piksel)
30000 25000 20000
Ulangan1
15000
Ulangan2
10000
Ulangan3
5000 0 0
5
10
15
Waktu (s) Gambar 13. Grafik perubahan area 50 ekor benih ikan ukuran 5-7 cm pada sore hari Berdasarkan grafik tersebut dapat diketahui bahwa pada kondisi awal (0 detik) penempatan ikan di dalam wadah, luasan area yang dibentuk oleh benih lebih kecil daripada setelah beberapa saat (10 detik). Hal ini terjadi karena pada saat benih pertama dituang di dalam wadah, benih ikan lele berenang menyebar dan belum menggerombol sehingga luasan yang terhitung masih luasan tiap ekor yang terpisah. Setelah beberapa saat benih cenderung menggerombol dan berhimpit satu dengan yang lain. Gambar dari pengambilan citra mulai 0 detik sampai 15 detik dapat dilihat pada Lampiran 2 dan 3. Pengambilan citra yang dilakukan pada sore hari memiliki pencahayaan yang kurang, sehingga hasil pemotretan harus dinaikkan brignese dan contrasnya agar dapat dilakukan proses threshold. Selain itu, arah datang cahaya juga mempengaruhi hasil pengambilan citra yang selanjutnya berpengaruh pada hasil perhitungan. Arah datang cahaya yang tidak tegak lurus langsung pada bidang wadah menyebabkan adanya bayangan pada tepi wadah. Bayangan tersebut tidak terhapus saat dilakukan proses threshold sehingga dihitung sebagai ikan. 2. Karakteristik Area per Ekor Benih Ikan Lele Perhitungan jumlah piksel parameter luas merupakan akumulasi dari perhitungan luas dari tiap ekor yang diperoleh setelah proses thresholding. Perhitungan luas dari tiap ekor benih yang diperoleh berbeda tiap individu benih sesuai dengan posisi masing-masing benih ketika dilakukan pengolahan citra. a. Area pada benih ikan lele yang sama Luas area benih ikan yang satu dengan yang lain berbeda-beda tergantung ukuran dari benih tersebut. Untuk mengetahui kisaran area dari satu benih ikan lele, dilakukan pengolahan citra pada satu benih ikan dengan berbagai poisi. Hasil pengolahan citra untuk menentukan luas benih satu ekor ikan lele dapat ditunjukkan pada Tabel 2.
16
Tabel 2. Luas area 1 benih ikan ukuran 7.8 cm dengan berbagai posisi Posisi benih ke
Luas (piksel)
1
1006
2
1084
3
836
4
947
5
902
6
897
7
719
8
815
9
1091
10
1058
11
735
12
768
13
841
14
866
15
746
16
829
17
800
18
812
19
859
20
817
Data tersebut menunjukkan bahwa perubahan posisi dari benih berpengaruh terhadap perhitungan luas area per ekor benih, sehingga pada satu benih ikan dapat menghasilkan berbagai ukuran luas area (Lampiran 4). Dari data yang diperoleh, kemudian dilakukan uji kenormalan dari luas area yang dibentuk oleh benih ikan tersebut. Uji kenormalan dilakukan untuk mengetahui penyebaran normal dari data luas area benih yang diperoleh. Hasil uji kenormalan dari luas area benih berukuran 7.8 cm dapat ditunjukkan pada Gambar 14 dan 15. Hipotesis untuk uji kenormalan yaitu : H0 : Menyebar normal H1 : Tidak menyebar normal
17
Normal 99 Mean StDev N KS P-Value
95 90
871,4 112,6 20 0,169 0,137
80
Percent
70 60 50 40 30 20 10 5
1
600
700
800
900 1000 Luas (piksel)
1100
1200
Gambar 14. Grafik uji kenormalan luas area benih ikan ukuran 7.8 cm
Normal Mean StDev N
5
871,4 112,6 20
Frequency
4
3
2
1
0 600
700
800
900 Luas (piksel)
1000
1100
Gambar 15. Kurva sebaran normal luas area benih ikan ukuran 7.8 cm Berdasarkan uji KS (Kolmogorov Smirnov) diketahui bahwa nilai-p (0.137) > alpha 5% maka terima H0. Hal ini berarti data luas area yang dibentuk 1 benih ekor ikan ukuran 7.8 cm tersebut menyebar normal dengan standar deviasi sebesar 112.6. Dari data tersebut dapat diketahui bahwa jumlah luas area yang dibentuk oleh benih berukuran 7.8 cm berkisar pada sebaran 800-900 piksel.
18
b. Area pada benih ikan lele yang berbeda Tiap benih ikan lele mempunyai posisi masing-masing. Area yang diciptakan dari tiap benih berbeda satu sama lain. Hal ini dapat dilihat pada Gambar 16. Ukuran ikan yang beragam akan menghasilkan luasan yang beragam juga tetapi perbedaan area benih ikan satu dengan yang lain tidak jauh berbeda. 600
Luas(piksel)
500 400 300 200 100 0 1
2
3
4
5
Ikan Gambar 16. Diagram area beberapa benih ikan ukuran 3-4 cm c. Karakteristik Threshold Selain dari keragaman benih ikan lele, batasan nilai R, G, dan B untuk melakukan thresholding memberikan pengaruh terhadap hasil perhitungan area yang terjadi. Dalam hal ini telah dilakukan pengamatan perhitungan luas area pada benih ikan lele dengan menggunakan nilai threshold yang berbeda. Pada threshold 1, dengan nilai R= 128, G = 183, dan B = 98 menghasilkan rata-rata luas per ekor 498 piksel. Pada threshold 2, nilai R =128, G= 190, B= 98, rata-rata luas yang dihasilkan per ekor benih yaitu 585 piksel. Pada threshold 3, R =128, G= 175, B= 98, luas yang dihasilkan sebesar 432 piksel. Jika batas nilai G ditambah atau diturunkan, maka akan menghasilkan perbedaan area benih ikan yang jelas. Perubahan nilai R atau B tidak memberikan pengaruh yang besar terhadap perubahan area yang terjadi. Pembacaan area dengan batasan thresholding yang berbeda dapat ditunjukkan pada Gambar 17, 18, dan 19.
19
700
Luas(piksel)
600 500 400 300 200 100 0 1
2
3
4
5
Ikan Gambar 17. Diagram area hasil threshold 1
700
Luas(piksel)
600 500 400 300 200 100 0 1
2
3
4
5
Ikan Gambar 18. Diagram area hasil threshold 2
700
Luas(piksel)
600 500 400 300 200 100 0 1
2
3
4
5
Ikan Gambar 19. Diagram area hasil threshold 3
20
Jika batas nilai G ditambah maka jumlah piksel luasan area benih ikan lele yang diperoleh semakin besar. Begitu juga sebaliknya, jika nilai G diturunkan maka jumlah piksel luasan area benih yang diperoleh juga semakin kecil. Hal ini terjadi karena pada benih ikan lele warna yang dominan adalah warna hijau, sehingga pada nilai R, G, B nilai G mempunyai nilai paling besar jika dibandingkan dengan R dan B. d. Area untuk benih ikan lele yang berhimpit Area benih ikan lele ketika sendiri dan menggerombol sangatlah berbeda. Benih ikan lele yang berhimpit memiliki luasan area yang lebih besar daripada benih ikan lele yang sendiri. Luasan area yang dibentuk tersebut tergantung dari posisi ketika berhimpit. Hal ini dapat ditunjukkan pada Gambar 20 dan 21. 1400
Luas(piksel)
1200 1000 800 600 400 200 0 1
2
3
4
5
Posisi Gambar 20. Diagram area 2 ekor ikan (3-4 cm) yang berhimpit
1400
Luas(piksel)
1200 1000 800 600 400 200 0 1
2
3
4
5
Posisi Gambar 21. Diagram area 2 ekor ikan (5-7 cm) yang berhimpit Besarnya luasan area yang dibentuk oleh 2 ekor benih ikan yang berhimpit rata-rata diatas 850 piksel untuk benih ukuran 3-4 cm dan 1100 piksel untuk benih ukuran 5-7 cm. Luasan area yang dibentuk oleh 2 ekor benih yang berhimpit belum tentu 2 kali lipat luasan area 1 ekor benih ikan lele. Besarnya luasan area tersebut bisa lebih besar atau lebih kecil dari 2 kali ukuran luas 1 ekor ikan, tergantung posisi benih yang berhimpit. Hal ini terjadi karena hasil
21
tresholding belum mampu menganalisis tiap celah antar benih secara detil, sehingga celahcelah tersebut masuk dalam perhitungan area benih.
D. PERHITUNGAN JUMLAH BENIH IKAN LELE Perhitungan jumlah benih ikan lele dilakukan berdasarkan hasil analisa luas dari tiap ekor benih ikan lele. Hasil perhitungan luas piksel rata-rata tiap ekor benih dapat ditunjukkan pada Tabel 3 dan 4. Tabel 3. Perhitungan luas piksel ikan berukuran 3-4 cm Ikan
Luas
ke
(piksel)
1
507
2
483
3
507
4
532
5
514
6
547
7
560
8
594
9
562
10
586
11
513
12
589
Rata-rata
542
22
Tabel 4. Perhitungan luas piksel ikan berukuran 5-7 cm Ikan ke 1
Luas (piksel) 692
2
643
3
698
4
729
5
559
6
552
7
708
8
651
9
583
10
663
11
627
12
497
Rata-rata
633.5
Hasil dari perhitungan area tiap ekor benih ikan lele digunakan untuk membagi luasan area secara kelompok sehingga diperoleh suatu angka yang menunjukkan jumlah dari benih ikan lele yang ada. Hasil perhitungan jumlah benih ikan secara keseluruhan dapat ditunjukkan pada Tabel 5.
Grade
3-4 cm
5-7 cm
Tabel 5. Hasil perhitungan dengan image processing Hasil perhitungan dengan image processing Jumlah Ulangan (ekor) (ekor) ke0 (s) 5 (s) 10 (s) 15 (s)
50
50
1
48
51
52
55
2
47
47
51
49
3
48
49
52
54
4
49
52
57
59
5
48
51
50
56
1
46
53
55
58
2
47
52
52
54
3
46
47
55
56
4
50
51
52
59
5
46
48
53
57
Perhitungan jumlah benih pada pengambilan citra dari 0 detik sampai 15 detik setelah benih berada dalam wadah cenderung mengalami peningkatan. Peningkatan jumlah perhitungan terjadi karena luas area yang dibentuk oleh benih cenderung mengalami peningkatan sedangkan
23
area pembagi yang digunakan untuk perhitungan tetap. Hal ini terjadi karena benih ikan lele dalam wadah cenderung menggerombol pada daerah tepi wadah sehingga mempengaruhi perhitungan dari luas area benih. Seperti pada hasil perhitungan sebelumnya bahwa luasan area yang dibentuk oleh 1 ekor benih ikan lele dapat menghasilkan bermacam luasan area tergantung posisi dari benih tersebut. Dengan posisi benih yang semakin banyak berhimpit maka luasan area yang diciptakan juga semakin bervariasi sehingga pembagian luas area dengan luas 1 ekor ikan menjadi bervariasi juga. Perhitungan jumlah error yang terjadi ditunjukkan pada Tabel 6. Tabel 6. Error perhitungan dengan image processing
Grade
3-4 cm
5-7 cm
Error (%)
Jumlah
Ulangan
(ekor)
ke-
0 (s)
5 (s)
10 (s)
15 (s)
1
4
2
4
10
2
6
6
2
2
3
4
2
4
8
4
2
4
14
18
5
4
2
0
12
1
8
6
10
16
2
6
4
4
8
3
8
6
10
12
4
0
2
4
18
5
8
4
6
14
50
50
Berdasarkan hasil perhitungan error di atas, waktu pengambilan citra terbaik yaitu pada waktu 5 detik benih berada dalam wadah. Rata-rata error pada pengambilan citra waktu 0 detik setelah benih dituang sebesar 4%, 5 detik setelah benih dituang sebesar 3%, 10 detik setelah benih dituang sebesar 5%, dan 15 detik setelah benih dituang sebesar 10% untuk grade 3-4 cm. Pada grade 5-7 cm rata-rata error pada pengambilan citra waktu 0 detik setelah benih dituang sebesar 6%, 5 detik setelah dituang sebesar 4%, 10 detik setelah dituang sebesar 7%, dan 15 detik setelah dituang sebesar 14%.
E. Berat Benih Ikan Lele 1. Berat 1 ekor benih Berdasarkan analisa berat benih ikan lele, dapat diketahui bahwa berat benih ikan yang satu dengan yang lain bervariasi tergantung dari ukuran benih itu sendiri. Benih yang berukuran kecil memiliki berat yang lebih ringan dibandingkan benih yang berukuran lebih besar. Hal ini dapat ditunjukkan pada Tabel 7. Pengukuran berat benih ditunjukkan Gambar 22.
24
Tabel 7. Hasil pengukuran berat dan panjang per ekor benih ikan lele Ikan ke
Berat (g)
Panjang (cm)
Ikan ke
Berat (g)
Panjang (cm)
Ikan ke
Berat (g)
Panjang (cm)
1
3.21
7.6
27
3.37
7.2
53
2.75
7.1
2
1.05
6
28
1.43
5.9
54
3.29
7.4
3
2.03
6.7
29
3.14
7.6
55
2.11
6.4
4
1.54
5.9
30
1.78
6.2
56
3.01
7
5
0.98
5.1
31
2.43
6.5
57
2.58
6.8
6
2.31
7.1
32
1.67
6.3
58
3.14
7.3
7
2.74
6.4
33
2.35
6.4
59
4.68
8.7
8
2.73
7.4
34
2.65
6.7
60
1.33
5.7
9
2.11
6.3
35
1.53
6.1
61
1.86
6.2
10
1.66
6.5
36
1.87
6.3
62
1.63
6
11
2.21
6.8
37
2.21
6.4
63
2.61
6.6
12
1.83
6
38
1.77
6.1
64
2.53
6.5
13
0.83
4.6
39
2.64
6.9
65
2.21
6.2
14
1.96
6.2
40
2.37
6.6
66
1.44
6
15
1.53
6.1
41
1.61
6.1
67
1.78
6.1
16
1.65
6
42
2.23
6.3
68
2.47
6.6
17
2.17
6.6
43
2.14
6.2
69
2.98
7.3
18
3.12
7.1
44
1.73
6.1
70
3.11
7.8
19
1.84
6.3
45
1.51
6
71
2.54
7.2
20
2.73
6.6
46
1.68
6.2
72
1.37
6.1
21
2.77
7
47
2.16
6.4
73
1.71
6.3
22
2.25
6.4
48
1.88
6
74
2.43
7.3
23
1.63
5.7
49
1.47
5.9
75
2.46
6.9
24
2.24
6.3
50
1.72
6.1
76
1.17
5.9
25
1.71
6.1
51
2.16
6.3
26
3.21
7.1
52
2.44
6.5
Gambar 22. Penimbangan benih
25
Berdasarkan data di atas dapat diketahui bahwa setiap benih ikan lele memiliki panjang tubuh dan berat yang berbeda-beda. Perbedaan tersebut dipengaruhi oleh keseragaman benih dalam suatu komunitas. Hubungan antara berat benih dan panjang benih ditunjukkan pada Gambar 23.
5 y = 0.986x - 4.218 R² = 0.831
4.5 4
Massa(g)
3.5 3 2.5 2 1.5 1 0.5 0 0
1
2
3
4
5
6
7
8
9
10
Panjang (cm)
Gambar 23. Grafik perbandingan berat terhadap panjang tubuh benih ikan ukuran 5-7 cm Hipotesis H0 : Panjang tidak berpengaruh nyata terhadap berat H1 : Panjang berpengaruh nyata terhadap berat Berdasarkan analisis regresi berat terhadap panjang benih, dapat diperoleh hasil bahwa nilai-p pada uji-t sebesar (0.000)
26
Hipotesis H0 : Menyebar normal H1 : Tidak menyebar normal
Normal 99,9
Mean StDev N KS P-Value
99 95
2,173 0,6654 76 0,091 0,117
Percent
90 80 70 60 50 40 30 20 10 5 1
0,1
0
1
2
3
4
5
Bobot(g) (g) Berat
Gambar 24. Grafik uji kenormalan berat benih ikan lele ukuran 5-7 cm Berdasarkan uji KS Kolmogorov Smirnov) nilai-p (0.117) > alpha 5% maka terima H0. Hal ini menunjukkan bahwa data berat menyebar normal. Kurva sebaran normal dari berat benih dapat ditunjukkan pada Gambar 25. Normal Mean StDev N
20
2,173 0,6654 76
Frequency
15
10
5
0 0,8
1,6
2,4 3,2 Bobot Berat(g) (g)
4,0
4,8
Gambar 25. Kurva sebaran normal berat benih ukuran 5-7 cm Berdasarkan data pengukuran diketahui bahwa benih ikan lele pada ukuran antara 5-7 cm memiliki berat rata-rata 2.17 g dengan standar deviasi sebesar 0.66 dan panjang tubuh 6.48 cm.
27
2. Berat beberapa ekor benih ikan Berat benih ikan lele yang bervariasi menghasilkan berat kolektif yang bervariasi juga tergantung dari keseragaman ukuran benih ikan lele satu dengan yang lain. Hal ini dapat ditunjukkan pada Tabel 8. Tabel 8. Hasil pengukuran berat 100 ekor benih ikan Sampel ke1
Berat total (g) 213
2
227
3
232
4
204
5
211
6
236
7
221
8
228
9
225
10
211
11
216
12
224
13
229
14
206
15
217
16
213
17
207
18
218
19
223
20
219
Berdasarkan data tersebut, diperoleh data berat total 100 ekor benih yang bervariasi. Kisaran berat total benih antara 204-236 g. Variasi hasil pengukuran berat total benih dipengaruhi oleh keseragaman benih satu dengan yang lain. Pengambilan sampel dilakukan secara acak sehingga sampel yang diperoleh bervariasi, ada yang dominan besar, ada yang dominan kecil, dan campuran besar kecil. Untuk mengetahui kenormalan dari berat total benih yang diperoleh maka dilakukan uji kenormalan pada berat total benih tersebut. Hasil dari uji kenormalan dapat dilihat pada Gambar 26 dan 27.
28
Normal 99 Mean StDev N KS P-Value
95 90
219 8,991 20 0,098 >0,150
80
Percent
70 60 50 40 30 20 10 5
1
200
210
220 Berat total (g)
230
240
Berat (g)
Gambar 26. Grafik uji kenormalan berat 100 ekor benih ikan Normal 5
Mean StDev N
219 8,991 20
Frequency
4
3
2
1
0 200
210
220 Berat Berat (g)total (g)
230
240
Gambar 27. Kurva sebaran normal berat 100 ekor benih ikan Hipotesis H0 : Menyebar normal H1 : Tidak menyebar normal Berdasarkan uji KS (Kolmogorov Smirnov) nilai-p (0.150) > alpha 5% maka terima H0. Hal ini menunjukkan bahwa data berat total 100 ekor benih tersebut menyebar normal. Dari kurva sebaran normal di atas dapat diketahui bahwa nilai rata-rata berat 100 ekor benih ikan sebesar 219 g dengan standar deviasi sebesar 8.9. 3. Perhitungan Jumlah dan Error Dengan melihat data berat 1 ekor benih dan berat kolektif dari sejumlah benih, maka dapat dilakukan perhitungan untuk mengetahui jumlah benih yang sebenarnya. Perhitungan
29
jumlah benih dapat ditunjukkan pada Tabel 9. Perhitungan jumlah benih dapat diketahui dengan membagi berat total benih dengan berat rata-rata 1 ekor benih. Tabel 9. Hasil perhitungan 100 ekor benih ikan dengan pengukuran berat
Sampel ke
Berat total (g)
1
213
Jumlah ikan dugaan (ekor) 98
2
227
3
Jumlah sebenarnya (ekor)
Error (%)
100
2
105
100
5
232
107
100
7
4
204
94
100
6
5
211
97
100
3
6
236
109
100
9
7
221
102
100
2
8
228
105
100
5
9
225
104
100
4
10
211
97
100
3
11
216
100
100
0
12
224
103
100
3
13
229
106
100
6
14
206
95
100
5
15
217
100
100
0
16
213
98
100
2
17
207
95
100
5
18
218
100
100
0
19
223
103
100
3
20
219
101
100
1
Data di atas menunjukkan perbedaan hasil perhitungan dengan jumlah sebenarnya. Dari data tersebut, dapat diperoleh hasil bahwa akurasi perhitungan jumlah benih dengan membagi berat total benih dengan berat 1 individu benih mempunyai akurasi yang cukup tinggi dengan error rata-rata 3.5%. Hal ini disebabkan keseragaman ukuran antar individu benih cukup besar, sehingga hasil pembagian tidak begitu jauh berbeda satu dengan yang lain.
F. Simulasi Perhitungan Jumlah Benih Ikan Lele Berdasarkan Berat Benih ikan lele memiliki berat yang berbeda dari tiap individu tergantung dari ukuran benih ikan tersebut. Benih yang besar akan memiliki berat tubuh yang lebih dibandingkan dengan benih ikan yang kecil. Dengan diketahui berat dari tiap ekor benih ikan lele, maka dapat diketahui kisaran berat per ekor benih ikan lele. Kisaran berat yang dimaksud adalah berat minimum dan
30
maksimum dari 1 ekor benih ikan. Simulasi dilakukan dengan perhitungan peluang dari tiap berat benih ikan lele pada kisaran yang ada. Peluang munculnya berat ikan tertentu dapat dilihat pada Tabel 10. Tabel 10. Peluang munculnya berat ikan tertentu pada benih ikan berukuran 5-7 cm
No
Berat Minimum (g)
Berat Maksimum (g)
1
0.75
0.93
Ratarata Berat (g) 0.8417
2
0.93
1.12
3
1.12
4
Jumlah Kejadian
Jumlah Berat (g)
Peluang
Peluang Kumulatif
1
0.8417
0.012987
0.0129870
1.0250
2
2.0500
0.025974
0.0389610
1.30
1.2083
1
1.2083
0.012987
0.0519481
1.30
1.48
1.3917
5
6.9583
0.064935
0.1168831
5
1.48
1.67
1.5750
9
14.1750
0.116883
0.2337662
6
1.67
1.85
1.7583
11
19.3416
0.142857
0.3766234
7
1.85
2.03
1.9417
4
23.3000
0.155844
0.5324675
8
2.03
2.22
2.1250
10
17.0000
0.103896
0.6363636
9
2.22
2.40
2.3083
6
16.1583
0.090909
0.7272727
10
2.40
2.58
2.4917
7
9.9667
0.051948
0.7792208
11
2.58
2.77
2.6750
9
13.3750
0.064935
0.8441558
12
2.77
2.95
2.8583
1
11.4333
0.051948
0.8961039
13
2.95
3.13
3.0417
3
12.1667
0.051948
0.9480519
14
3.13
3.32
3.2250
6
9.6750
0.038961
0.9870130
15
3.32
3.50
3.4083
1
3.4083
0.012987
1.0000000
Hasil perhitungan dengan simulasi berdasarkan berat ikan dapat dilihat pada Tabel 11. Tabel 11. Hasil simulasi perhitungan 100 ekor benih ikan berdasarkan berat Hasil Error Percobaan Berat (g) pendugaan (%) (ekor) 1 211.97 100 0 2
219.25
103
3
3
208.28
98
2
4
214.32
101
1
5
209.19
99
1
6
207.94
98
2
7
204.25
96
4
8
205.98
97
3
9
218
102
2
10
215.23
102
2
11
208.9
99
1
31
Percobaan 12
Tabel 11. (Lanjutan) Hasil Berat (g) pendugaan (ekor) 212.14 100
Error (%) 0
13
208.64
98
2
14
206.3
97
3
15
218
103
3
16
200.45
95
5
17
202.98
96
4
18
205.17
97
3
19
210.14
99
1
20
204.1
96
4
21
207.41
98
2
22
205.98
97
3
23
203.18
96
4
24
214.5
101
1
25
214.17
101
1
Berdasarkan hasil perhitungan simulasi tersebut dapat diketahui bahwa error perhitungan yang terjadi kecil, yaitu rata-rata sebesar 2.3 %. Hasil pendugaan jumlah benih ikan memiliki akurasi yang cukup tinggi. Hasil tersebut tidak jauh berbeda dengan hasil pengukuran berat benih secara langsung. Hal ini terjadi karena input yang digunakan dalam simulasi merupakan data hasil dari pengukuran berat secara langsung.
32
V. KESIMPULAN DAN SARAN
A. Kesimpulan Dari penelitian ini dapat ditarik kesimpulan: 1. Metode perhitungan benih ikan dengan image processing dirancang berdasarkan citra benih ikan. Pengambilan citra menggunakan sebuah alat yang terdiri dari wadah penampung ikan, kerangka meja wadah, dan dudukan kamera. Cara kerja dari alat yaitu benih dituang dalam wadah kemudian diambil gambarnya oleh kamera digital dan menyimpannya dalam bentuk JPEG. Citra tersebut kemudian dipindahkan ke komputer untuk selanjutnya diolah dengan program Visual Basic 6.0 agar didapatkan area citra benih ikan. 2. Luas area citra yang diciptakan oleh benih ikan lele dipengaruhi oleh posisi dan waktu dari saat benih ikan dilepaskan ke dalam wadah. 3. Berat benih ikan lele berbanding lurus dengan panjang tubuhnya. Benih ikan lele ukuran antara 5-7 cm memiliki berat rata-rata 2.17g dengan standar deviasi sebesar 0.66 dan panjang tubuh rata-rata 6.48 cm 4. Akurasi perhitungan jumlah benih yang dihasilkan dengan metode image processing dengan menggunakan parameter luas masih tergolong tinggi dengan error perhitungan pada pengambilan citra waktu 0 detik setelah benih dituang dalam wadah sebesar 4%, pengambilan citra 5 detik setelah dituang sebesar 3%, pengambilan citra 10 detik setelah dituang sebesar 5%, dan pengambilan citra 15 detik setelah dituang sebesar 10% untuk grade 3-4 cm. Pada grade 5-7 cm rata-rata error perhitungan pada pengambilan citra waktu 0 detik setelah benih dituang sebesar 6%, 5 detik setelah benih dituang sebesar 4%, 10 detik setelah benih dituang sebesar 7%, dan 15 detik setelah benih dituang sebesar 14%. Waktu yang terbaik untuk melakukan pengambilan citra yaitu saat benih berada dalam wadah dalam selang waktu 5 detik. 5. Hasil perhitungan jumlah benih dengan pengukuran berat benih mempunyai akurasi yang cukup tinggi dengan error rata-rata 3.5%, sedangkan hasil perhitungan jumlah benih ikan melalui sistem simulasi memiliki error rata-rata 2.3%. 6. Akurasi yang rendah disebabkan oleh beberapa kelemahan pada sistem, antara lain: a. Masih adanya bayangan yang ikut serta dalam wadah yang tidak terhapus saat dilakukan thresholding. b. Sistem belum mampu memisahkan secara detil objek yang berhimpitan.
B. Saran Untuk penghitung benih ikan dengan image processing, perlu adanya pengkondisian cahaya agar tidak menimbulkan bayangan pada tepi wadah. Selain itu, perlu dicoba ditambahkan sekatsekat kecil dalam wadah untuk mengurangi benih yang berhimpitan. Perlu dilakukan penelitian lebih lanjut mengenai pengembangan metode penghitung benih ikan otomatis.
33
DAFTAR PUSTAKA
Ardiwinata. 1981. Pemeliharaan Ikan Jilid III. Balai Penyelidikan Perikanan Darat. Sumur Bandung Arymurty, A. M. dan Suryana, S. 1992. Pengantar Pengolahan Citra. PT Elex Media Komputindo. Jakarta. Divisi Penelitian dan Pengembangan MADCOM. 2008. Microsoft Visual Basic 6.0 untuk Pemula. Yogyakarta: ANDI. Divisi Penelitian dan Pengembangan Wahana Komputer. 2004. Tutorial Membuat Program Dengan Menggunakan Visual Basic. Jakarta: Salemba Infotek. Jenie, Renan P. 2005. Penentuan Kelas Mutu Warna The Hitam Dengan Menggunakan Metode Image Processing, Artificial Neural Network, dan Least Euclid Range [Skripsi].Bogor : Fakultas Perikanan dan Ilmu Kelautan, Institut Pertanian Bogor. Liu, Jian Guo. 2009. Essential Image Processing and GIS for Remote Sensing. Singapore: Fabulous Printers Pte Ltd. Mahyuddin, Kholish. 2007. Panduan Lengkap Agribisnis Lele. Jakarta : Penebar Swadaya. Murhananto. 2002. Pembesaran Lele Dumbo di Pekarangan. Jakarta : Agro Media Pustaka. Nasrudin. 2010. Jurus Sukses Beternak Lele Sangkuriang. Jakarta : Agro Media Pustaka. Nur, RN. 2003. Pengembangan Metode Analisa Derajat Sosoh Beras Dengan Pengolahan Citra dan Jaringan Saraf Tiruan [Skripsi].Bogor : Fakultas Perikanan dan Ilmu Kelautan, Institut Pertanian Bogor. Pramesti, Putri L. 2003. Pengenalan Butiran Beras Mengapur dan Kuning/Rusak Dengan Menggunakan Pengolahan Citra dan Jaringan Saraf Tiruan [Skripsi].Bogor : Fakultas Perikanan dan Ilmu Kelautan, Institut Pertanian Bogor. Purwadhi, SH. 2001. Interpretasi Citra Digital. Jakarta: PT Grasindo. Rahmat, Ayi. 2006. Rancang Bangun Instrumen Sortir Ikan Otomatis (Automatic Fish Grading) dengan Metode Pengolahan Citra Digital. Laporan Akhir Penelitian Dosen Muda IPB. Institut Pertanian Bogor. Saksanni, Renato. 2008. Pemutuan dan Penghitungan Bibit Ikan lele Dengan Metode Image Processing Menggunakan Parameter Luas dan Panjang Tubuh Ikan [Skripsi].Bogor : Fakultas Perikanan dan Ilmu Kelautan, Institut Pertanian Bogor. Santosa. 2005. Aplikasi Visual Basic 6.0 dan Visual Studio. Net 2003 dalam Bidang Teknik dan Pertanian. Yogyakarta : ANDI.
34
Seminar, Kudang B. 2000. The Design of Baby Fish Counter with Parallel Sensors. Bogor: Teknik Pertanian, IPB. Senjaya, Yulis Tirta. 2002. Usaha Pembenihan Gurami. Jakarta: Penebar Swadaya. Sitanggang, M. dan Sarwono, B. 2002. Budidaya Gurami. Jakarta: Penebar Swadaya. Sumpeno, Dedi. 2005. Pertumbuhan dan Kelangsungan Hidup Benih Ikan Lele Dumbo Claris sp. Pada Padat Penebaran 15, 20. 25, dan 30 ekor/liter Dalam Pendederan Secara Indoor Dengan Sistem Resirkulasi [Skripsi].Bogor : Fakultas Perikanan dan Ilmu Kelautan, Institut Pertanian Bogor.
35
LAMPIRAN
36
Lampiran 1. Spesifikasi kamera.
Name White balance
: Camera digital “Spectra tipe vertex 506” : Auto, manual.
Illumination
: Auto.
Auto
: Brightness, white balance, color saturation, contrast, Gamma and so on advanced digital video control function.
Display size
: Up to 10 M
37
Lampiran 2. Gambar posisi benih dari waktu 0 detik sampai 15 detik pada grade 3-4 cm Posisi benih saat t=0
Posisi benih saat t=5
Posisi benih saat t=10
Posisi benih saat t=15
38
Lampiran 3. Gambar posisi benih dari waktu 0 detik sampai 15 detik pada grade 5-7 cm Posisi benih saat t=0
Posisi benih saat t=5
Posisi benih saat t=10
Posisi benih saat t=15
39
Lampiran 4. Gambar perhitungan luas area 1 ekor ikan dengan berbagai posisi
40
Lampiran 5. Gambar area hasil threshold 1
Lampiran 6. Gambar area hasil threshold 2
Lampiran 7. Gambar area hasil threshold 3
41
Lampiran 8. Gambar posisi ikan berhimpit pada ukuran 3-4 cm
42
Lampiran 9. Gambar posisi ikan berhimpit pada ukuran 5-7 cm
43
Lampiran 10. Analisis regresi berat terhadap panjang benih
Regression Analysis: Berat (g) versus Panjang (cm) The regression equation is Berat (g) = - 4.22 + 0.986 Panjang (cm) Uji-t Predictor Constant Panjang (cm)
S = 0.274634
Coef -4.2180 0.98608
SE Coef 0.3354 0.05152
R-Sq = 83.2%
T -12.58 19.14
P 0.000 0.000
R-Sq(adj) = 83.0%
Analysis of Variance Source Regression Residual Error Total
DF 1 74 75
SS 27.629 5.581 33.210
MS 27.629 0.075
F 366.31
P 0.000
44
Lampiran 11.Gambar piktorial alat penghitung benih
45
Lampiran 12. Gambar orthogonal alat penghitung benih
46
Lampiran 13. Gambar kerangka meja
47
Lampiran 14. Gambar wadah ikan
48
Lampiran 15. Gambar dudukan kamera
49
