STUDI KEMATANGAN BUAH TOMAT MENGGUNAKAN IMAGE PROCESSING DAN LOGIKA FUZZY YANG DIINTREGASIKAN DENGAN RASPBERRY PI IMMANUEL IVAN PRADANA SUHARDI

STUDI KEMATANGAN BUAH TOMAT MENGGUNAKAN IMAGE PROCESSING DAN LOGIKA FUZZY YANG DIINTREGASIKAN DENGAN RASPBERRY PI

IMMANUEL IVAN PRADANA SUHARDI

DEPARTEMEN FISIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2016

PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA* Dengan ini saya menyatakan bahwa skripsi berjudul Studi Kematangan Buah Tomat Menggunakan Image Processing dan Logika Fuzzy yang Diintregasikan dengan Raspberry Pi adalah benar karya saya dengan arahan dari komisi pembimbing 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, November 2016 Immanuel Ivan P S NIM G74120056

ABSTRAK IMMANUEL IVAN PRADANA SUHARDI. Studi Kematangan Buah Tomat Menggunakan Image Processing dan Logika Fuzzy yang Diintregasikan dengan Raspberry Pi. Dibimbing oleh HERIYANTO SYAFUTRA dan IRMANSYAH. Penentuan kematangan buah adalah salah satu proses yang penting agar buah yang dikonsumsi masyarakat adalah buah dengan kualitas terbaik. Biasanya pengusaha tomat menggunakan cara manual untuk menentukan kematangan buah tomat sehingga kematangan buah tomat yang dikirim ke pasar bersifat subyektif. Pada penelitian ini telah dibuat alat yang dapat menentukan kematangan buah tomat secara presisi yang mudah digunakan dan dibawa. Untuk menentukan kematangan buah tomat, alat ini menggunakan image processing dan logika fuzzy yang diintegrasikan dengan Raspberry Pi. Image processing digunakan untuk mendapakan nilai Red, Green dan Blue (RGB) dari foto buah tomat, logika fuzzy digunakan untuk menentukan tingkat kematangan dan kelunakan buah berdasarkan nilai RGB yang didapatkan. Nilai RGB beberapa buah tomat (24 buah) diambil dalam keadaan terang dan redup serta dengan latar belakang putih dan hitam. Buah-buah tomat tersebut juga diukur nilai kelunakannya. Setiap nilai tersebut diambil setiap hari selama 10 hari. Nilai Red meningkat tajam pada kondisi redup dan yang paling tajam pada latar belakang hitam, begitu pula nilai Green turun dengan tajam. Seiring waktu nilai kelunakan buah tomat semakin meningkat. Uji coba alat menunjukan ketepatan dengan Red dan Green terpisah adalah 50% pada kondisi terang dan 60% pada kondisi redup. Sedangkan ketepatan alat dengan R/G adalah 45% pada kondisi terang dan 75% pada kondisi redup. Kata kunci: image processing, logika fuzzy, raspberry pi, tomat.

ABSTRACT IMMANUEL IVAN PRADAN SUHARDI. Tomato Fruit Maturity Studies Using Image Processing and Fuzzy Logic and Integrated with Raspberry Pi. Supervised by HERIYANTO SYAFUTRA and IRMANSYAH. Determination of fruit maturity is one of important process so that the fruits consumed by the people are the highest quality. Sometimes tomatoes suplier still use manual to determine the ripeness of tomatoes because of that the ripeness of the tomatoes that were sent to market are subjective. On this study were produced a device that can determine the ripeness of tomatoes with precision that is easy to use and carry.To determine the ripeness of tomatoes, this device use image processing and fuzzy logic that were integrated eith Raspberry Pi. Image processing were used to get the value of Red, Green, and Blue (RGB). The RGB value of some tomatoes (24 fruits) were taken in a state of bright and dim, and with a white and black background. The fruits are also measured its softness value. Each of these values are taken daily for 10 days. Value Red rose sharply in dim conditions and sharpest on a black background, so does the value of Green also fell sharply. Over time the softness of tomatoes getting higher. The trials showed precision of the device with Red and Green separated are 50% in bright

conditions and 60% in dim conditions. While the precision of the device with R/G are 45% in bright condition and 75% in dim condition. Keywords: fuzzy logic, image processing, raspberry pi, tomato.

STUDI KEMATANGAN BUAH TOMAT MENGGUNAKAN IMAGE PROCESSING DAN LOGIKA FUZZY YANG DIINTREGASIKAN DENGAN RASPBERRY PI

IMMANUEL IVAN PRADANA SUHARDI

Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains pada Departemen Fisika

DEPARTEMEN FISIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2016

PRAKATA Puji dan syukur penulis panjatkan kepada Tuhan Yang Maha Esa atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Mei 2016 ini ialah dengan judul Studi Kematangan Buah Tomat Menggunakan Image Processing dan Logika Fuzzy yang Diintregasikan dengan Raspberry Pi. Terima kasih penulis ucapkan kepada Bapak Heriyanto Syafutra, SSi MSi dan Bapak Dr Ir Irmansyah, MSi selaku pembimbing. Ungkapan terima kasih juga disampaikan kepada ayah, ibu, serta seluruh keluarga, atas segala doa dan kasih sayangnya. Semoga karya ilmiah ini bermanfaat.

Bogor, November 2016 Immanuel Ivan Pradana Suhardi

DAFTAR ISI DAFTAR TABEL

xi

DAFTAR GAMBAR

xi

DAFTAR LAMPIRAN

xii

PENDAHULUAN

1

Latar Belakang

1

Perumusan Masalah

2

Tujuan Penelitian

2

Manfaat Penelitian

2

Hipotesis

2

TINJAUAN PUSTAKA

3

Tomat

3

Image Processing

4

Citra Digital

4

Background Substractor

5

Logika Fuzzy

6

METODE

8

Waktu dan Tempat

8

Alat dan Bahan

8

Tahap pembuatan alat dan kalibrasi Tahap Pengujian HASIL DAN PEMBAHASAN

8 14 16

Perancangan alat

16

Nilai RGB

17

Kelunakan

25

Logika Fuzzy

26

Pengujian alat SIMPULAN DAN SARAN

28 30

Simpulan

30

Saran

31

DAFTAR PUSTAKA

32

RIWAYAT HIDUP

41

DAFTAR TABEL Daftar port LCD touchscreen 3.5” Data sheet Raspberry Pi camera rev 1.3 Contoh penentuan presentase ketepatan alat Nilai RGB rata-rata buah tomat Nilai RGB buah tomat pada latar belakang putih terang (246 lux) Tabel 2.3 Nilai RGB buah tomat pada latar belakang putih redup (35 lux) Tabel 2.4 Nilai RGB buah tomat pada latar belakang hitam terang (117 lux) Tabel 2.5 Nilai RGB buah tomat pada latar belakang hitam redup (31 lux) Tabel 2.6 Perubahan tinggi buah tomat jika diberikan beban 500 g Tabel 3.1 Penentuan ketepatan alat dalam menentukan kematangan Tabel 3.2 Penentuan ketepatan alat dalam menentukan kelunakan

Tabel 1.1 Tabel 1.2 Tabel 1.3 Tabel 2.1 Tabel 2.2

9 9 15 18 18 20 22 23 25 29 30

DAFTAR GAMBAR Indikator kematangan buah tomat tiap level [1] Contoh ilustrasi nilai digital pada citra warna Contoh hasil dari Background Substraction Diagram metode fuzzy Tsukamoto [17] Skema rangkaian alat Tempat alat uji (a) latar belakang hitam (b) latar belakang putih Gambar 1.7 Skema pengambilan data kelunakan tomat Gambar 1.8 Kondisi pengambilan data citra buah tomat Gambar 1.9 Contoh grafik logika fuzzy Gambar 1.10 Skema alur kerja alat Gambar 2.1 Hasil akhir rangkaian alat (a) tampak atas (b) tampak samping Gambar 2.2 Perubahan nilai presentase buah tomat pada latar belakang putih terang (a) Red (b) Green (c) Blue Gambar 2.3 Perubahan buah tomat pada latar belakang putih terang hari keGambar 2.4 Perubahan nilai presentase buah tomat pada latar belakang putih redup (a) Red (b) Green (c) Blue Gambar 2.5 Perubahan buah tomat pada kondisi putih redup pada hari keGambar 2.6 Perubahan nilai presentase buah tomat pada latar belakang hitam terang (a) Red (b) Green (c) Blue Gambar 2.7 Perubahan buah tomat pada kondisi hitam terang pada hari keGambar 2.8 Perubahan nilai presentase buah tomat pada latar belakang hitam redup (a) Red (b) Green (c) Blue Gambar 1.1 Gambar 1.2 Gambar 1.3 Gambar 1.4 Gambar 1.5 Gambar 1.6

3 5 6 7 9 10 10 11 12 15 17 19 19 20 21 22 23 24

Gambar 2.9 Perubahan buah tomat pada kondisi hitam redup pada hari keGambar 2.10 Perubahan panjang buah tomat jika diberikan beban 500 g Gambar 2.11 Grafik logika fuzzy pada nilai presentase pada kondisi hitam redup (a) Red (b) Green (c) R/G Gambar 2.12 Grafik logika fuzzy untuk Kematangan Gambar 3.1 Display pada layar alat saat menentukan kematangan

DAFTAR LAMPIRAN Lampiran 1 Proses kematangan beberapa buah tomat pada setiap kondisi 34 Lampiran 2 Program penentuan kematangan buah tomat 35 Lampiran 3 Tabel hasil pengukuran alat 38 Lampiran 4 Diagram alir penelitian 40

25 25 26 28 28

PENDAHULUAN Latar Belakang Tomat merupakan salah satu hasil pertanian yang memiliki tingkat produksi tinggi. Tingginya tingkat produksi dan distribusi tomat yang luas mengharuskan petani mampu mengklasifikasikan tingkat kematangan tomat yang dapat mengurangi resiko pembusukan tomat. Proses kematangan tomat membutuhkan waktu yang singkat. Oleh karena itu keakuratan klasifikasi level kematangan tomat sangat penting.[1] Klasifikasi level kematangan tomat saat ini masih dilakukan secara manual, yaitu penilaian secara subyektif dari petani. Kelemahan dari metode ini adalah tingkat akurasi yang rendah karena penilaian yang tidak konsisten. Oleh karena itu dibutuhkan suatu alat yang dapat membantu proses klasifikasi kematangan agar lebih konsisten dan mudah. Teknik yang dapat digunakan untuk mengukur kematangan buah tomat salah satunya dengan menggunakan citra digital. Citra digital adalah citra yang dapat diolah oleh komputer. Komputer melihat sebuah citra dengan memilahnya ke dalam bagian-bagian kecil yang dinamakan pixel. Dalam satu pixel terdapat nilai digital yang menentukan warna dari pixel tersebut. Format citra digital yang banyak digunakan adalah citra biner, skala keabuan, warna, dan warna berindeks. Proses pengukuran kematangan buah tersebut umumnya dinamakan image processing. Image Processing adalah proses untuk mengamati dan menganalisa suatu objek tanpa berhubungan/kontak langsung dengan objek yang diamati. Image processing sekarang banyak digunakan untuk face recognition, object tracking, letter recognition, dan sebagainya. Untuk meningkatkan keakuratan, indentifikasi menggunakan metode image processing ditambahkan algoritma pengambil keputusan logika fuzzy. Sistem fuzzy sangat cocok digunakan untuk menentuka keputusan terutama untuk sistem yang rumit. Misalkan, nilai masukan dan parameter sebuah sistem bersifat kurang akurat atau kurang jelas, sehingga sulit mendefinisikan model matematikanya seperti kematangan, indera perasa, dan sebagainya.[2] Logika fuzzy merupakan salah satu bentuk soft computing yang lebih mendasarkan pada kemampuan melakukan pemetaan vektor, optimasi, identifikasi dan kemampuan lainnya. Logika fuzzy telah diterapkan pada beberapa sistem pegendali dan dapat mengatasi sifat ketidakpastian yang selalu muncul pada sistem kendali. Sebagai contoh, Yudanto (2013:62) menyatakan “sistem lampu lalu lintas dengan fuzzy logic lebih efektif dibandingkan dengan sistem lalu lintas konvensional, hal ini dikarenakan sistem lalu lintas dengan fuzzy logic dapat menyesuaikan dengan kepadatan yang sedang terjadi pada suatu persimpangan jalan”.[3] Pada penelitian ini image processing diterapkan untuk menentukan objek pada citra dan penentuan nilai RGB dari tomat. Sedangkan logika fuzzy diterapkan pada penentuan tingkat kematangan tomat dengan nilai Red dan Green.

2

Perumusan Masalah 1. Bagaimana hubungan nilai RGB dengan kematangan buah tomat? 2. Bagaimanakah pengaruh dari pencahayaan dan latar belakang terhadap kemampuan program menentukan kematangan tomat? 3. Bagaimanakah mengintregasikan nilai RGB ke dalam logika fuzzy dengan Raspberry Pi agar dapat menentukan kematangan dan kelunakan buah tomat secara realtime? Tujuan Penelitian Tujuan dari penelitian ini adalah menentukan hubungan antara nilai RGB dengan kematangan buah tomat serta kelunakannya menggunakan image processing dan logika fuzzy yang diimplementasikan pada Raspberry Pi. Manfaat Penelitian Penelitan ini diharapkan menghasilkan alat yang dapat mengukur kematangan buah tomat menggunakan citra kamera secara realtime. Hipotesis Metode image processing dan logika fuzzy dapat menentukan kematangan buah tomat.

3

TINJAUAN PUSTAKA Tomat Tomat (Lycopersicum esculentum) adalah tumbuhan dari keluarga Solanaceae, tumbuhan asli Amerika Tengah dan Selatan, dari Meksiko sampai Peru. Kata "tomat" berasal dari kata dalam bahasa Nahuat, dimana tomat merupakan keluarga dekat dari kentang. Indikator yang penting dalam klasifikasi level kematangan tomat adalah warna dari tomat tersebut. Di negara maju, standar tingkat kematangan dibuat lebih spesifik menjadi enam fase, yaitu Green, breakers, turning, pink, light Red, dan Red.[4] Pada pengolahan citra digital, warna memiliki peran berupa informasi yang penting karena dapat terlihat secara visual untuk merepresentasikan kualitas dari citra yang digunakan. Meskipun sudah dipanen dari pohon, buah tomat masih melakukan respirasi. Respirasi merupakan proses metabolisme yang penting dimana menghasilkan perubahan-perubahan kimiawi maupun perubahan-perubahan yang menjurus ke arah kerusakan/pembusukan. Hal ini dikarenakan pada saat respirasi terjadi perombakan kompleks menjadi senyawa-senyawa yang lebih sederhana dan selama proses respirasi dihasilkan panas yang akan mempercepat terjadinya proses-proses kerusakan atau pembusukan.[5] Selama pematangan buah tomat terjadi perubahan warna, citarasa, kekerasan dan histologis. Perubahan warna dikarenakan penurunan jumlah klorofil yang dipecah menjadi fitol. Selain degradasi klorofil, terjadi juga sintesis likopen, karoten, dan santofil sehingga warna buah menjadi merah.[6] Selama pematangan, terjadi peningkatan kadar gula pada cairan sel buah dan juga mengalami pelunakan, sedangkan keasaman menurun pada saat muncul warna kuning pada kulit.[7] Menurunnya kekerasan pada buah yang disimpan disebabkan terdegradasinya hemiselulosa dan pektin. Terjadinya perubahan histologis pada tomat meliputi perubahan tebal dinding sel, permeabilitas plasmalema dan banyaknya ruang antar sel menyebabkan melunaknya jaringan buah.[8]

Gambar 1.1 Indikator kematangan buah tomat tiap level [1] (a)Green (b) Breakers (c) Turning (d) Light Red (e) Red

4

Image Processing Image Processing adalah proses untuk mengamati dan menganalisa suatu objek tanpa bersentuhan langsung dengan objek yang diamati. Teknik-teknik Image Processing meliputi penajaman citra, penonjolan fitur tertentu dari suatu citra, kompresi citra, dan koreksi citra yang tidak fokus atau kabur.[9] Dengan kata lain pengolahan citra adalah kegiatan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin (komputer). Ada dua bagian pada proses pembentukan citra, yaitu geometri citra dan fisik cahaya. Geometri citra adalah posisi/titik yang berada dalam citra dimana memiliki nilai fisik dari warna. Sedangkan fisik cahaya adalah kecerahan titik dalam geometri citra yang berupa warna yang memiliki nilai tersendiri. Citra masukan diperoleh melalui suatu kamera yang terdapat rangkaian untuk mengubah citra berbentuk analog menjadi citra digital. Rangkaian yang terdapat pada alat umumnya adalah sejumlah fotodioda yang sensitif terhadap spektrum warna dimana hasil rekaman fotodioda memiliki posisi geometri yang sama dengan citra.[4] Program Image Processing yang digunakan dalam penelitian ini adalah Open CV. Open CV adalah program yang umum digunakan untuk Image Processing, hal tersebut dikarenakan Open CV memiliki sejumlah library yang sangat membantu dalam proses Image Processing. Beberapa library yang sering digunakan antara lain face recognition, object tracking, letter recognition, dan sebagainya. Fitur Open CV yang digunakan dalam penelitian ini adalah fitur untuk menghitung nilai RGB dari sebuah citra dan fitur background substractor sebagai pemisah objek yang diamati dengan latarbelakang.

Citra Digital Pengolahan citra digital dimulai sekitar awal tahun 1920-an dari dunia pemberitaan media cetak, di mana sebuah citra dikirim melalui kabel bawah laut dari London menuju ke New York. Proses ini menghemat waktu pengiriman dari seminggu menjadi kurang dari tiga jam. Sebelum dikirim, citra terlebih dahulu dikodekan dan setelah diterima citra direkonstruksi ulang.[10] Citra adalah representasi, kemiripan, atau imitasi dari sebuah objek. Citra sebagai keluaran suatu system perekaman data dapat bersifat optic berupa foto, bersifat analog berupa sinyal-sinyal video seperti gambar pada monitor televisi, atau bersifat digital yang dapat langsung disimpan pada suatu media penyimpanan.[11] Citra digital adalah citra yang dapat diolah oleh komputer. Umumnya komputer tidak mengolah citra sebagai suatu gambar utuh melainkan nilai digital. Komputer melihat sebuah citra dengan memilahnya kedalam bagian-bagian kecil yang dinamakan pixel. Dalam satu pixel terdapat nilai digital yang menentukan warna dari pixel tersebut. Format citra digital yang banyak digunakan adalah citra biner, skala keabuan, warna, dan warna berindeks.

5

Gambar 1.2 Contoh ilustrasi nilai digital pada citra warna Citra biner adalah citra yang setiap pixel hanya memiliki nilai 1 dan 0. Citra keabuan memiliki rentang warna yang lebih bervariasi dari citra biner yaitu dari hitam ke putih. Banyaknya variasi tergantung dari jumlah bit yang digunakan. Contohnya untuk skala keabuan 6 bit, maka jumlah kemungkinan nilainya adalah 26 = 64 dan nilai maksimumnya adalah 26-1 = 63. Pada citra warna, setiap titik mempunyai warna yang khusus dimana merupakan kombinasi dari 3 warna dasar, yaitu merah, hijau, dan biru. Format citra ini sering disebut sebagai citra RGB. Setiap warna dasar memiliki intensitas sendiri dengan nilai maksimum 255 (8 bit), misalnya warna kuning merupakan kombinasi dari warna merah dan hijau sehingga nilai RGB nya adalah 255 255 0. Jumlah kombinasi warna yang mungkin untuk citra warna adalah 224 atau lebih dari 16 juta warna.[12] Background Substractor Background Substraction adalah teknik yang biasa digunakan untuk segmentasi gerak dalam gambar statis. Algoritma ini akan mendeteksi daerah yang bergerak dengan mengurangi citra pixel-by-pixel dari referensi gambar latar belakang yang dibuat dengan rata-rata gambar dari waktu ke waktu dalam suatu periode inisialisasi. Ide dasar dari background substraction adalah untuk menginisialisasi latar belakang pertama, dan kemudian mengurangi frame di mana objek ini bergerak dengan frame latar belakang pertama tersebut untuk mendeteksi obyek yang bergerak. Metode ini sederhana dan mudah untuk diwujudkan, dan secara akurat mengekstrak karakteristik data target, tetapi sensitif terhadap perubahan lingkungan eksternal, sehingga berlaku untuk kondisi dengan latar belakang yang sudah diketahui.[13] Background substraction melibatkan perhitungan gambar referensi dengan mengurangkan setiap frame baru dari gambar dan memisahkan hasilnya. Hasilnya adalah segmentasi biner dari gambar yang berbeda dengan gambar referensi. Metode ini mempunyai banyak masalah dan membutuhkan periode training dari latar belakang. Objek latar belakang yang bergerak dan objek latar depan yang diam akan dianggap sebagai objek latar depan permanen. Selain itu, pendekatan ini tidak dapat mengatasi perubahan pencahayaan yang signifikan. Masalahmasalah ini membutuhkan solusi dimana harus terus-menerus menentukan ulang gambar latar belakang.[14]

6

Gambar 1.3 Contoh hasil dari Background Substraction (a) citra asli (b) hasil Background Substraction Logika Fuzzy Konsep fuzzy logic diperkenalkan oleh Prof. Lotfi Zadeh dari Universitas California di Berkeley pada 1965. Secara umum, fuzzy logic adalah sebuah metode yang mengubah kata-kata (linguistic variable) menjadi angka yang dapat diolah. Kata-kata yang digunakan dalam fuzzy logic memang tidak seakurat bilangan, namun kata-kata jauh lebih mudah untuk manusia. Manusia bisa langsung menentukan nilai dari kata-kata yang digunakan. [15] Logika fuzzy merupakan salah satu bentuk soft computing yaitu sistem komputasi yang lebih mendasarkan pada kemampuan melakukan pemetaan vektor, optimasi, identifikasi dan kemampuan lainnya. Berbagai penerapan telah menunjukkan bahwa pengendali berbasis logika fuzzy dapat mengatasi sifat ketidakpastian yang selalu muncul pada sistem kendali. Dalam penerapannya pengendali logika fuzzy memanfaatkan pengalaman seorang pakar yang oleh perancang pengendali diekstrak ke dalam bentuk aturanaturan jika-maka (if-then). Oleh karena itu, proses pengendalian akan mengikuti pendekatan secara linguistik. Pendekatan secara linguistik berupa interpretasi manusia (operator atau ahli) tentang tingkat keadaan suatu sistem, yang merupakan informasi penting dalam menggambarkan perilaku sistem dan jauh lebih mudah untuk diperoleh. Pengendali logika fuzzy tidak memiliki ketergantungan pada variabel-variabel proses kendali sehingga pengendali ini banyak digunakan pada sistem yang memiliki sifat tidak linear dan perilaku dinamik yang berubah terhadap waktu. Namun dasar-dasar pengetahuan tentang sistem yang akan dikendalikan akan sangat membantu dalam memperoleh prestasi pengendalian yang memadai.[16] Metode fuzzy yang digunakan dalam penelitian ini adalah metode fuzzy Tsukamoto. Pada dasarnya, metode Tsukamoto terdiri atas beberapa aturan yang menggunakan penalaran monoton. Karena menggunakan konsep dasar penalaran monoton, pada metode Tsukamoto setiap aturan yang berbentuk IF-THEN harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp). Proses agregasi antar aturan dilakukan, dan hasil akhirnya diperoleh menggunakan defuzzy dengan konsep rata-rata terbobot.[17] Misalkan ada variabel input, yaitu x dan y, serta satu variabel output yaitu z. Variabel x terbagi atas 2 himpunan yaitu A1 dan A2, variabel y terbagi atas 2 himpunan juga, yaitu B1 dan B2, sedangkan variabel output Z terbagi atas 2

7

himpunan yaitu C1 dan C2. Tentu saja himpunan C1 dan C2 harus merupakan himpunan yang bersifat monoton. Diberikan 2 aturan sebagai berikut:  If x is A1 and y is B2 then z is C1  If x is A2 and y is B2 then z is C2

Gambar 1.4 Diagram metode fuzzy Tsukamoto [17]

8

METODE Waktu dan Tempat Penelitian ini dilakukan di Laboratorium Mikrokontroller Departemen Fisika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor dan Laboratorium Fabrikasi (FABLAB) Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor. Penelitian ini dilakukan mulai Mei 2016 sampai September 2016. Alat dan Bahan Penelitian ini menggunakan Tomat buah (Lycopersicum commune), jangka sorong, papan akrilik, Raspberry Pi 2 B, Raspberry Pi Camera Rev 1.3, Raspi Touchscreen 3.5’,sensor BH1750, Arduino uno, kotak kardus, lampu, timbangan digital, karton putih, plastik hitam, Monitor, Keyboard, Mouse. Tahap pembuatan alat dan kalibrasi Tahap Persiapan Beberapa persiapan yang dilakukan adalah persiapan semua komponen alat dan bahan yang digunakan dengan pemesanan setiap komponen secara online melalui beberapa situs jual beli online. Selain itu melakukan pembelajaran tentang tingkat kematangan tomat dan program yang diperlukan, serta mempersiapkan setiap software yang akan di gunakan dalam penelitian ini antara lain Python dan Open CV. Tahap Pemrograman Pemrograman awal yang dilakukam adalah membuat program yang dapat memisahkan citra buah tomat dengan latar belakang menggunakan algoritma background substractor untuk mendapatkan nilai presentase RGB citra buah tomat. Tahap Perangkaian Alat Tempat dan alat uji dirangkai dengan menggunakan kotak kardus sebagai tempat pengujian yang dinding dalamnya dilapisi kertas putih dengan lampu diatasnya, selain itu disiapkan juga latar belakang yang dilapisi dengan plastik hitam. Alat uji yang digunakan adalah Raspberry Pi 2 B yang diintregasikan dengan Raspberry Pi camera rev 1.3, dan LCD touchscreen 3.5”, setelah itu program diinstall ke dalam Raspberry Pi 2 B.

9

Tabel 1.1 Daftar port LCD touchscreen 3.5” LCD touchscreen 3.5” Raspberry Pi 2 B VCC VCC GND GND RST GPIO23 CS GPIO8 SCK GPIO11 BL 3v3 SD CS GPIO22 MOSI GPIO10 Tabel 1.2 Data sheet Raspberry Pi camera rev 1.3 Image Sensor Resolution Still picture resolution Max image transfer rate Connection to Raspberry Pi

Image control functions

Temp range Lens size Dimensions Weight

Omnivision 5647 CMOS image sensor in a fixed-focus module with integral IR filter 5-megapixel 2592 x 1944 1080p: 30fps (encode and decode) 720p: 60fps 15 Pin ribbon cable, to the dedicated 15pin MIPI Camera Serial Interface (CSI-2) Automatic exposure control Automatic white balance Automatic band filter Automatic 50/60 Hz luminance detection Automatic black level calibration Operating: -30° to 70° Stable image: 0° to 50° 1/4” 20 x 25 x 10mm 3g Sumber: www.rs-components.com/raspberrypi

Gambar 1.5 Skema rangkaian alat

10

(a) (b) Gambar 1.6 Tempat alat uji (a) latar belakang hitam (b) latar belakang putih Tahap Pengambilan Data Setelah memeriksa program dapat berjalan dengan benar, maka dilakukan pengukuran presentase RGB pada 24 buah tomat yang berbeda dalam kondisi pencahayaan dan latar belakang putih terang (246 lux), putih redup (35 lux), hitam terang (117 lux), dan hitam redup (31 lux). Buah tomat diletakkan di dalam kotak kardus yang memiliki dinding latar belakang putih, setelah itu gambar diambil beserta nilai RGB dengan keadaan terang. Lalu lampu diredupkan dan data diambil kembali. Kemudian latar belakang diganti dengan hitam dan dilakukan pengambilan data RGB pada kondisi terang dan redup. Kondisi terang dan redup pada setiap latar belakang sebelumnya dicari nilai intensitas cahayanya menggunakan sensor BH1750 yang diintegrasikan dengan Arduino uno. Setelah itu tomat diuji nilai kelunakannya dengan menempatkan tomat diantara dua papan akrilik dan diukur tingginya dengan jangka sorong dan dicatat sebagai panjang mula-mula lalu diberikan beban 500 g diatasnya. Setelah tomat diberikan beban panjang tomat diukur kembali dengan jangka sorong sebagai panjang akhir.

Gambar 1.7 Skema pengambilan data kelunakan tomat

11

(a)

(b)

(c)

(d)

Gambar 1.8 Kondisi pengambilan data citra buah tomat (a) putih terang (b) putih redup (c) hitam terang (d) hitam redup Prosedur Analisis Data Data presentase RGB yang didapatkan diolah dalam bentuk grafik presentase RGB vs hari menentukan kondisi seperti apa grafik mempunyai perbedaan yang paling signifikan. Dari kondisi yang paling tepat data diolah menggunakan logika fuzzy untuk mendapatkan persen kematangan buah tomat. Selanjutnya persen kematangan buah tomat digunakan untuk menentukan kelunakan buah tomat dalam bentuk prediksi perubahan panjang buah tomat jika diberikan beban 500 g dengan menggunakan interpolasi dari grafik perubahan panjang buah tomat jika diberikan beban 500 g per harinya. Penerapan Logika Fuzzy Setelah presentase nilai RGB didapat maka tingkat kematangan ditentukan dengan menggunakan Logika Fuzzy berdasarkan data nilai RGB yang sudah didapatkan. Logika fuzzy yang digunakan adalah logika fuzzy Tsukamoto. Variabel Fuzzy yang digunakan adalah Red, Green, R/G, dan Kematangan. Variabel Red, Green, dan R/G terdiri dari Sedikit, Sedang, dan Banyak. Sedangkan variabel Kematangan terdiri dari Mentah, Setengah, dan Matang. Pada grafik fuzzy akan terdapat nilai persen pada Red, Green, R/G dan kematangan yang berada pada sumbu horizontal sedangkan pada sumbu vertikal akan terdapat nilai dari nol sampai satu yang merupakan derajat keanggotaan. Derajat keanggotaan adalah nilai dari variabel yang akan diolah menggunakan logika fuzzy.

12

Aturan logika fuzzy yang digunakan dalam Red dan Green yang terpisah adalah  IF Red sedikit and Green sedikit then Setengah  IF Red sedikit and Green sedang then Mentah  IF Red sedikit and Green banyak then Mentah  IF Red sedang and Green sedikit then Matang  IF Red sedang and Green sedang then Setengah  IF Red sedang and Green banyak then Setengah  IF Red banyak and Green sedikit then Matang  IF Red banyak and Green sedang then Setengah  IF Red banyak and Green banyak then Setengah Selain itu digunakan juga aturan logika fuzzy dengan nilai dari R/G agar fungsi logikanya menjadi lebih sedikit  IF R/G sedikit then Mentah  IF R/G sedang then Setengah  IF R/G banyak then Matang

Gambar 1.9 Contoh grafik logika fuzzy Proses pembuatan grafik logika fuzzy untuk Red, Green, dan R/G adalah dengan menantukan titik a sampai g seperti pada Gambar 1.9 dimana nilai tersebut diambil berdasarkan nilai interpolasi linear dari grafik nilai RGB yang didapatkan. Penentuan titik tersebut secara berurutan dari a sampai g adalah nilai interpolasi linear pada hari ke 3, 4, 5, 5.5, 6, 7, dan 8. Garis biru merupakan garis yang menentukan derajat keanggotaan untuk variabel sedikit, garis merah untuk sedang, dan garis hijau untuk banyak. Sedangkan untuk grafik kematangan, nilai a sampai g adalah perubahan hari dari 0 sampai 10 menjadi persen kematangan dari 0% sampai 100% berdasarkan penentuan titik a sampai g yang sama dengan grafik logika fuzzy Red, Green, dan R/G. Garis biru merupakan garis yang menentukan derajat keanggotaan untuk variabel mentah, garis merah untuk setengah, dan garis hijau untuk matang. Inferensi adalah proses mengubah variabel fuzzy menjadi angka yang dapat diolah.

13

Pada Red dan Green, Inferensi yang digunakan adalah - R1 = IF Red sedikit and Green sedikit then Setengah R1 = min (µR Sedikit (xR);µG Sedikit (xG)) R1 = µK Setengah (x1) - R2 = IF Red sedikit and Green sedang then Mentah R2 = min (µR Sedikit (xR);µG Sedang (xG)) R2 = µK Mentah (x2) - R3 = IF Red sedikit and Green banyak then Mentah R3 = min (µR Sedikit (xR);µG Banyak (xG)) R3 = µK Mentah (x3) - R4 = IF Red sedang and Green sedikit then Matang R4 = min (µR Sedang (xR);µG Sedikit (xG)) R4 = µK Matang (x4) - R5 = IF Red sedang and Green sedang then Setengah R5 = min (µR Sedang (xR);µG Sedang (xG)) R5 = µK Setengah (x5) - R6 = IF Red sedang and Green banyak then Mentah R6 = min (µR Sedang (xR);µG Banyak (xG)) R6 = µK Setengah (x6) - R7 = IF Red banyak and Green sedikit then Matang R7 = min (µR Banyak (xR);µG Sedikit (xG)) R7 = µK Matang (x7) - R8 = IF Red banyak and Green sedang then Matang R8 = min (µR Banyak (xR);µG Sedang (xG)) R8 = µK Setengah (x8) - R9 = IF Red banyak and Green banyak then Setengah R9 = min (µR Banyak (xR);µG Banyak (xG)) R9 = µK Setengah (x9) Pada R/G, Inferensi yang digunakan adalah - R1 = IF R/G sedikit then Mentah R1 = µR/G Sedikit (xR) R1 = µK Mentah (x1) - R2 = IF R/G sedang then Setengah R2 = µR/G Sedang (xR) R2 = µK Setengah (x2)

14

- R3 = IF R/G banyak then Matang R3 = µR/G Banyak (xR) R3 = µK Matang (x3) Keterangan: xR, xG = nilai presentase Red atau Green x1 s/d x9 = nilai presentase kematangan pada kasus keµR = himpunan keanggotaan Red dalam kondisi sedikit, sedang, atau banyak

µG

= himpunan keanggotaan Green dalam kondisi sedikit, sedang, atau

banyak

µR/G

= himpunan keanggotaan Red dibagi Green dalam kondisi sedikit, sedang, atau banyak µK = himpunan keanggotaan Kematangan dalam kondisi mentah, setengah, atau matang R1 s/d R9 = nilai minimum dari himpunan keanggotaan pada kasus keDefuzzyfikasi adalah proses pengembalian angka yang sudah diolah menjadi parameter kata-kata dari hasil. Persamaan defuzzyfikasi untuk Red dan Green yang terpisah adalah

(1) Persamaan defuzzyfikasi untuk R/G adalah

(2) dengan x adalah nilai presentase kematangan yang didapatkan. Tahap Pengujian Pengujian alat secara langsung dilakukan pada 20 buah tomat yang memiliki kematangan berbeda diluar tempat uji dengan latar belakang yang bervariasi serta dalam pencahayaan terang dan redup sehingga dapat ditentukan apakah program dapat berfungsi dalam berbagai latar belakang dan pencahayaan. Tomat yang digunakan sebagai uji alat sbelumnya sudah ditentukan tingkat kematangan dan perubahan panjangnya bila diberikan beban 500 g. Tingkat kematangan dan perubahan panjang yang didapatkan dari alat dicocokkan dengan tingkat kematangan dan perubahan yang sebenarnya sehingga didapatkan akurasi alat dalam kondisi redup dan terang.

15

Gambar 1.10 Skema alur kerja alat Ketepatan alat didapatkan dengan langkah: 1. Menentukan kematangan dari 20 buah tomat secara visual berdasarkan kecocokan warna pada kulit buah tomat dengan literatur Gambar 1.1 dengan mentah pada level green dan breakers, setengah pada level turning, dan matang pada level light red dan red. 2. Mengambil data kematangan 20 buah tomat menggunakan alat. 3. Bila status kematangan buah tomat dari alat dan pengamatan visual sama maka diberi nilai 1, bila berbeda akan bernilai 0. Misal bila status kematangan secara visual matang sedangkan alat menentukan setengah maka bernilai 0, dan bila status kematangan secara visual mentah dan alat menentkan mentah maka bernilai 1. 4. Nilai yang sudah didapatkan akan dirata-ratakan dan hasil dari rata-rata tersebut adalah persen ketepatan alat.Contoh penentuan presentase ketepatan alat dapat dilihat pada Tabel 1.3. Tabel 1.3 Contoh penentuan presentase ketepatan alat Status kematangan secara visual Matang Matang Setengah Mentah Mentah ... Ketepatan alat (%)

Status kematangan hasil alat Mentah Matang Mentah Mentah Setengah ...

Nilai 0 1 0 1 0 ... Sum(Nilai)/20*100

16

HASIL DAN PEMBAHASAN Perancangan alat Raspberry pi 2 B yang dirangkaikan dengan Raspberri pi camera rev 1.3 dan LCD touchscreen 3.5” dapat berfungsi dengan baik. Operating system yang digunakan adalah Raspbian Jessie dan program image processing yang digunakan adalah OpenCV-2.4.9. Bahasa pemrograman yang digunakan untuk menyusun program kematangannya adalah Python 3.0. Kamera yang digunakan dapat berfungsi dengan baik dimana resolusi yang digunakan adalah 240 x 320 pixel, hal tersebut dikarenakan layar LCD yang digunakan hanya memiliki resolusi 240 x 320 pixel. Namun hal tersebut tidak mengurangi kemampuan kamera untuk menetukan citra tomat dan kematangannya. Kamera tersebut sayangnya memiliki sedikit kekurangan dimana kemampuan auto white balance dinonaktifkan karena pada kondisi putih terang akan menghasilkan citra yang penuh dengan warna kuning, hal tersebut akan mengurangi ketepatan dalam menentukan kematangan karena nilai kuning yang tidak diperlukan. Kemampuan kamera untuk auto brightness juga dinonaktifkan karena bila diaktifkan maka kemampuan program untuk background substraction akan terganggu. Pada saat auto brightness diaktifkan maka citra background akan terus berubah, misalkan pada saat frame pertama dengan pencahayaan redup, dengan seiringnya waktu auto brightness akan menerangkan citra sehingga background pada frame pertama citranya tidak sama dengan background pada frame selanjutnya. Hal tersebut mengakibatkan background yang seharusnya menjadi hitam pada hasil background substraction akan menjadi foreground yang seharusnya hanya tomat. Gambar 2.1 menunjukkan hasil akhir dari rangkaian Raspberry Pi 2 B dengan kamera dan LCD. Pada bagian depan terdapat layar LCD touchscreen 3.5” sedangkan bagian belakang terdapat kamera. Pada bagian atas dan samping kiri terdapat port dari Raspberry Pi 2 B yaitu port USB, LAN, HDMI, dan catu daya. Di bagian kanan terdapat sumber daya yang berupa power bank dengan tegangan output 5V.

17

(a)

(b)

(c)

(d)

Gambar 2.1 Hasil akhir rangkaian alat (a) tampak atas (b) tampak samping (c) tampak belakang (d) tampak depan Nilai RGB Nilai RGB buah tomat pada kondisi latar belakang putih dan hitam serta kondisi pencahayaan terang dan redup dapat terlihat pada Tabel 2.1. Dimana nilai Red buah tomat pada setiap kondisi semakin hari semakin bertambah, sedangkan nilai Green buah tomat pada setiap kondisi semakin hari semakin menurun. Hal tersebut mengindikasikan bahwa setiap hari buah tomat akan semakin matang dengan bertambahnya warna merah dan berkurangnya warna hijau pada kulit buah tomat dimana sesuai dengan literatur gambar [1]. Nilai Blue buah tomat pada setiap kondisi berbeda-beda, misalkan pada kondisi terang nilainya antara 15-30 dan kondisi redup nilainya antara 3-15, namun terlihat nilainya berada pada rentang tersebut dalam setiap kondisi kematangan buah tomat . Hal tersebut berarti bahwa kematangan buah tomat tidak mempengaruhi nilai Blue yang didapatkan sehingga nilai Blue tidak digunakan dalam logika fuzzy. Walaupun buah terlihat sepenuhnya merah atau sepenuhnya hijau namun nilai dari setiap Red, Green, dan Blue selalu ada. Hal tersebut dikarenakan cahaya yang dipantulkan dari buah masih memiliki semua spektrum warna walaupun nilainya ada yang tinggi dan rendah bergantung pada dominan warna yang dipantulkan. Ada pula noise dari bayangan benda karena background substractor memilah citra dengan membandingkannya dengan citra awal. Bila terdapat benda yang masuk pada citra maka bayangannya juga diidentifikasikan sebagai foreground sedangkan bayangan benda berwarna hitam bergantung pada pencahayaan sehingga nilai Red, Green, dan Blue pasti ada.

18

Tabel 2.1 Nilai RGB rata-rata buah tomat Perlakuan

1

2

3

Putih terang Putih redup Hitam terang Hitam redup

34.78 34.69 35.17 38.33

36.30 37.76 38.08 40.46

36.99 37.40 38.65 41.18


39.20 43.57 42.51 48.65

42.27 50.41 43.99 50.42

42.20 48.70 43.31 48.89


26.02 21.74 22.29 13.03

21.43 11.83 17.93 9.37

20.81 13.90 18.04 9.93

Nilai rata-rata RGB pada hari ke4 5 6 7 Red 34.88 38.24 36.54 36.86 37.71 40.86 39.68 41.21 38.06 37.24 39.14 40.24 42.78 42.80 43.07 42.54 Green 40.17 41.03 39.10 37.70 47.82 44.46 44.91 41.41 42.14 41.49 41.28 39.77 49.58 48.72 48.97 42.87 Blue 24.95 20.73 24.37 25.44 16.57 14.68 15.41 17.38 19.80 21.27 19.57 19.99 7.64 8.48 7.97 14.59

8

9

10

38.21 39.92 38.75 47.99

37.66 40.83 37.78 49.74

38.71 41.28 40.32 50.85

36.92 40.25 38.02 44.45

36.49 39.50 37.86 42.00

35.23 37.56 36.07 39.11

24.87 19.83 23.23 7.57

25.86 19.67 24.36 8.25

26.06 21.16 23.61 10.04

Nilai RGB buah tomat pada perlakuan dengan latar belakang putih dan pencahayaan terang dapat terlihat pada Tabel 2.2. Nilai Red semakin hari semakin bertambah sedangkan nilai Green semakin hari semakin berkurang. Pada buah tomat yang masih mentah nilai Red berada di nilai paling rendah yaitu sekitar 31.24 sampai 32.78 sedangkan nilai Green berada pada nilai tertinggi yaitu sekitar 43.51 sampai 45.03 dan pada buah tomat matang sempurna nilai Red berada di nilai paling tinggi yaitu sekitar 41.43 sampai 45.46 sedangkan nilai Green pada nilai terendah yaitu sekitar 32.13 sampai 35.03. Tabel 2.2 Nilai RGB buah tomat pada latar belakang putih terang (246 lux) Nilai

1

2

3

Rata-rata Maksimum Minimum Deviansi

34.78 37.50 32.83 1.61

36.30 41.20 32.07 2.70

36.99 41.90 32.79 2.42


39.20 40.16 37.98 0.59

42.27 44.72 39.52 1.32

42.20 45.26 39.36 1.67


26.02 27.79 24.23 1.33

21.43 25.67 17.98 2.00

20.81 22.84 18.31 1.27

Nilai RGB pada hari ke5 6 7 Red 34.88 38.24 36.54 36.86 38.45 45.46 41.96 41.43 31.39 32.78 31.24 31.84 2.28 3.73 3.17 3.19 Green 40.17 41.03 39.10 37.70 43.51 45.03 41.82 41.05 37.18 36.49 35.03 33.43 1.85 2.27 1.91 2.31 Blue 24.95 20.73 24.37 25.44 28.31 24.08 27.05 27.78 18.94 17.65 21.91 22.94 2.26 2.14 1.68 1.49 4

8

9

10

38.21 42.27 33.14 2.86

37.66 41.70 33.26 2.87

38.71 41.66 33.14 2.97

36.92 40.53 33.08 2.28

36.49 40.09 33.22 2.08

35.23 40.29 32.13 2.81

24.87 27.16 22.32 1.18

25.86 28.34 22.79 1.48

26.06 27.16 24.22 0.77

19

(a)

(b)

(c)

Gambar 2.2 Perubahan nilai presentase buah tomat pada latar belakang putih terang (a) Red (b) Green (c) Blue

Gambar 2.3 Perubahan buah tomat pada latar belakang putih terang hari keTerlihat pada Gambar 2.2 menunjukan perubahan nilai Red, Green, dan Blue. Grafik Red terlihat semakin hari semakin naik dan nilai Green semakin hari semakin menurun walaupun perubahan keduanya tidak terlalu signifikan. Hal tersebut disebabkan pada kondisi latar belakang putih dan pencahayaan terang cahaya yang dipantulkan memiliki intensitas yang cukup tinggi. Artinya walaupun buah terlihat merah atau hijau sempurna, tetapi karena pencahayaan yang terang maka cahaya yang dipantulkan memiliki nilai Blue yang tinggi. Bayangan buah juga mempengaruhi karena dalam latar belakang putih dan pencahayaan yang terang maka bayangan buah tidak sepenuhnya hitam, hal tersebut juga menambahkan nilai Blue. Nilai Blue yang tinggi mengakibatkan rentang nilai Red dan Green menjadi sempit sehingga perubahan nilainya tidak terlalu besar. Gambar tomat pada kondisi putih terang dapat terlihat pada Gambar 2.3.

20

Tabel 2.3 Nilai RGB buah tomat pada latar belakang putih redup (35 lux) Nilai

1

2

3


34.69 38.69 31.63 2.22

37.76 46.36 30.94 4.56

37.40 45.38 31.00 4.14


43.57 48.60 40.84 1.57

50.41 56.28 44.10 3.74

48.70 53.49 42.94 3.02


21.74 24.31 18.93 1.50

11.83 14.20 7.28 1.59

13.90 17.21 11.03 1.61

(a)


8

9

10

39.92 46.88 31.81 4.62

40.83 46.47 32.77 4.42

41.28 45.87 32.77 4.29

40.25 46.30 33.49 3.86

39.50 45.96 33.48 3.80

37.56 45.96 32.55 4.36

19.83 21.89 17.42 1.17

19.67 21.59 16.73 1.27

21.16 22.82 19.39 0.94

(b)

(c)

Gambar 2.4 Perubahan nilai presentase buah tomat pada latar belakang putih redup (a) Red (b) Green (c) Blue

21

Nilai RGB buah tomat pada perlakuan dengan latar belakang putih dan pencahayaan redup dapat terlihat pada Tabel 2.3. Pada buah tomat yang masih mentah nilai Red berada di nilai paling rendah yaitu sekitar 30.45 sampai 31.63 sedangkan nilai Green berada pada nilai tertinggi yaitu sekitar 53.49 sampai 56.28 dan pada buah tomat matang sempurna nilai Red berada di nilai paling tinggi yaitu sekitar 45.87 sampai 51.77 sedangkan nilai Green pada nilai terendah yaitu sekitar 32.55 sampai 35.88. Gambar 2.4 menunjukkan perubahan nilai Red, Green, dan Blue yang rentang nilainya hampir sama dengan pencahayaan terang namun rentang vertikal grafiknya lebih lebar. Hal tersebut karena pada pencahayaan redup cahaya yang dipantulkan buah memiliki nilai yang lebih gelap sehingga warna buah terlihat lebih jelas dan warna putih akibat cahaya tidak terlalu besar sehingga lebih spesifik ke warna asli buahnya. Karena nilai RGB yang lebih spesifik maka buah matang dan mentah lebih mudah dibedakan. Dapat terlihat juga grafik Blue memiliki rentang yang lebih kecil dibandingkan grafik Blue pada kondisi terang. Hal tersebut dikarenakan cahaya putih yang dipantulkan dari buah lebih sedikit sehingga nilai Blue menjadi lebih kecil. Nilai Blue yang kecil menyebabkan rentang Red dan Green menjadi lebih besar sehingga dapat terlihat nilai maksimum Red dan Green lebih tinggi sedangkan nilai minimum Red dan Green lebih kecil. Gambar buah tomat pada kondisi putih redup dapat terlihat pada Gambar 2.5.

Gambar 2.5 Perubahan buah tomat pada kondisi putih redup pada hari ke-

22

Tabel 2.4 Nilai RGB buah tomat pada latar belakang hitam terang (117 lux) Nilai

1

2

3


35.17 40.14 32.22 2.24

38.08 43.90 34.32 3.04

38.65 44.27 34.47 2.96


42.51 50.39 38.58 2.71

43.99 50.15 39.25 2.63

43.31 49.13 39.32 2.78


22.29 27.29 16.10 3.58

17.93 21.88 11.85 2.49

18.04 22.88 15.32 2.35

(a)


8

9

10

38.75 43.13 32.49 3.37

37.78 43.11 32.48 3.21

40.32 46.68 32.48 4.45

38.02 44.00 32.84 3.05

37.86 47.29 34.04 3.54

36.07 47.29 32.06 3.94

23.23 27.22 19.44 1.97

24.36 28.81 15.85 2.99

23.61 28.81 18.85 2.70

(b)

(c)

Gambar 2.6 Perubahan nilai presentase buah tomat pada latar belakang hitam terang (a) Red (b) Green (c) Blue

23

Gambar 2.7 Perubahan buah tomat pada kondisi hitam terang pada hari keNilai RGB buah tomat pada perlakuan dengan latar belakang hitam dan pencahayaan terang dapat terlihat pada Tabel 2.4. Pada buah tomat yang masih mentah nilai Red berada di nilai paling rendah yaitu sekitar 32.22 sampai 33.88 sedangkan nilai Green berada pada nilai tertinggi yaitu sekitar 49.13 sampai 50.39 dan pada buah tomat matang sempurna nilai Red berada di nilai paling tinggi yaitu sekitar 45.77 sampai 47.51 sedangkan nilai Green pada nilai terendah yaitu sekitar 32.06 sampai 34.60. Gambar 2.6 menunjukkan bahwa rentang vertikal nilai RGB pada latar belakang hitam terang hampir serupa dengan latar belakang putih terang. Hal tersebut menunjukkan bahwa cahaya yang terang akan menghasilkan rentang yang sedikit pada semua latar belakang. Sehingga dalam menentukan kematangan tomat pada cahaya terang menggunakan tenknik ini akan menghasilkan keputusan yang kurang akurat karena program akan sulit membedakan tomat mentah dan matang terutama pada saat kondisi tomat yang dekat kepada setengah matang. Dengan rentang nilai yang kecil, misalkan untuk menentukan buah tomat dalam keadaan matang atau setengah matang akan sulit karena bila nilai bergeser sedikit saja maka statusnya akan berubah. Gambar 2.7 menunjukkan proses kematangan buah tomat pada kondisi hitam terang. Tabel 2.5 Nilai RGB buah tomat pada latar belakang hitam redup (31 lux) Nilai

1

2

3

Rata-rata Maksimum Minimum Deviasi

38.33 43.84 34.13 3.18

40.46 51.58 34.29 4.66

41.18 50.36 34.26 4.52


48.65 57.62 42.78 3.56

50.42 59.59 44.55 3.90

48.89 57.24 40.60 3.93


13.03 18.67 5.78 3.45

9.37 13.87 5.53 2.64

9.93 15.44 5.04 2.67


8

9

10

47.99 61.98 33.51 8.54

49.74 61.93 34.10 8.56

50.85 62.02 33.51 9.56

44.45 60.70 30.61 8.45

42.00 60.10 30.73 8.60

39.11 60.70 28.29 10.21

7.57 10.59 3.99 1.67

8.25 12.21 4.11 2.10

10.04 13.08 5.79 1.74

24

Nilai RGB buah tomat pada perlakuan dengan latar belakang hitam dan pencahayaan redup dapat terlihat pada Tabel 2.5. Pada buah tomat yang masih mentah nilai Red berada di nilai paling rendah yaitu sekitar 33.27 sampai 34.75 sedangkan nilai Green berada pada nilai tertinggi yaitu sekitar 57.24 sampai 60.77 dan pada buah tomat matang sempurna nilai Red berada di nilai paling tinggi yaitu sekitar 54.57 sampai 62.02 sedangkan nilai Green pada nilai terendah yaitu sekitar 28.29 sampai 34.52.

(a)

(b)

(c)

Gambar 2.8 Perubahan nilai presentase buah tomat pada latar belakang hitam redup (a) Red (b) Green (c) Blue Gambar 2.8 menunjukkan rentang vertikal kondisi hitam redup adalah yang paling lebar. Hal tersebut dikarenakan terdapat buah tomat yang tidak matang dan masih hijau. Nilai RGB tomat tersebut adalah titik yang berada di bagian paling atas pada grafik Green dan paling bawah pada grafik Red. Terdapat sekitar tiga sampai lima titik yang tidak berkumpul dengan titik lainnya, titik-titik tersebut adalah buah tomat yang tidak matang. Artinya pada kondisi hitam redup, buah tomat yang matang dan mentah dapat dibedakan lebih baik dibandingkan pada ketiga kondisi lainnya.

25

Gambar 2.9 Perubahan buah tomat pada kondisi hitam redup pada hari keTerlihat juga grafik Blue pada kondisi hitam redup memiliki rentang paling kecil yaitu sekitar 2-20 sedangkan pada kondisi lain berada pada rentang 15-25. Hal tersebut dikarenakan pada kondisi redup maka cahaya putih yang dipantulkan buah sangatlah kecil sehingga nilai Blue yang terbaca juga sangat kecil. Kondisi latar belakang yang hitam juga mempengaruhi nilai Blue yang didapat. Karena bayangan buah juga terdeteksi, warna bayangan buah pada latar belakang hitam juga terlihat gelap maka nilai Blue pada bayangan buah juga kecil. Dengan kecilnya nilai Blue maka nilai Red dan Green memiliki rentang yang lebih lebar, dengan lebarnya rentang maka kemampuan membedakan presentase Red dan Green akan lebih akurat. Kelunakan Tabel 2.6 menunjukkan perubahan tinggi dan elastisitas buah tomat bila diberikan beban 500 g. Terlihat juga pada standar deviasi yang sudah dihitung bahwa pertambahan panjang setiap harinya pada semua buah hampir serupa. Terlihat pada Gambar 2.10 bahwa semakin bertambahnya hari perubahan panjang bila diberikan beban 500 g semakin bertambah. Hal tersebut menunjukkan bahwa semakin bertambahnya hari maka buah tomat semakin lunak. Tabel 2.6 Perubahan tinggi buah tomat jika diberikan beban 500 g Nilai

2

0.200 0.530 0.055 0.130

0.227 0.630 0.080 0.118

Parubahan panjang (cm)


1

Nilai perubahan tinggi dan elastisitas pada hari ke3 4 5 6 7 8 Perubahan tinggi (cm) 0.194 0.213 0.228 0.260 0.278 0.284 0.390 0.350 0.350 0.500 0.550 0.340 0.065 0.130 0.090 0.110 0.130 0.165 0.084 0.063 0.074 0.085 0.092 0.039

9

10

0.319 0.465 0.115 0.066

0.369 0.460 0.240 0.048

0.4 0.3 0.2 0.1 0

1

2

3

4

5 6 Hari ke-

7

8

9

10

Gambar 2.10 Perubahan panjang buah tomat jika diberikan beban 500 g

26

Logika Fuzzy Nilai yang diterapkan pada logika fuzzy adalah nilai dari kondisi latar belakang hitam redup karena dalam kondisi tersebut data yang dihasilkan lebih tepat. Nilai pada grafik fuzzy didapatkan dengan mencocokkan gambar perubahan warna kulit buah tomat pada saat pengambilan data dengan gambar literatur dan menggunakan nilai hasil dari interpolasi linear rata-rata pada hari-hari tertentu. Misalkan pada grafik sedikit, titik menurunnya gafik adalah pada saat hari ke-3, nilai tertinggi grafik sedang adalah nilai pada hari ke-5 dan sebagainya. Pemilihan hari berdasarkan kecocokkan warna kulit dari data gambar beberapa buah yang proses kematangannya paling cocok dengan gambar literatur.

(a)

(b)

(c)

Gambar 2.11 Grafik logika fuzzy pada nilai presentase pada kondisi hitam redup (a) Red (b) Green (c) R/G

27

Fungsi dari grafik Red adalah 1 µR Sedikit (x) = 0 0

µR Sedang (x) = 0 0

µR Banyak (x) = 1 Fungsi dari grafik Green adalah 1 µG Sedikit (x) = 0 0

µG Sedang (x) = 0 0

µG Banyak (x) = 1 Fungsi dari grafik R/G adalah 1 µRG Sedikit (x) = 0 0

µRG Sedang (x) = 0 0

µRG Banyak (x) = 1

; x ≤ 40.77 ; 40.77 < x < 43.33 ; x ≥ 43.33 ; x ≤ 42.05 ; 42.05 < x ≤ 43.97 ; 43.97 < x ≤ 45.89 ; x ≥ 45.89 ; x ≤ 44.61 ; 44.61 < x < 47.17 ; x ≥ 47.17 ; x ≤ 43.53 ; 43.53 < x < 45.79 ; x ≥ 45.79 ; x ≤ 44.66 ; 44.66 < x ≤ 46.36 ; 46.36 < x ≤ 48.06 ; x ≥ 48.06 ; x ≤ 46.93 ; 46.93 < x < 49.19 ; x ≥ 49.19 ; x ≤ 0.839 ; 0.839 < x < 0.97 ; x ≥ 0.97 ; x ≤ 0.904 ; 0.904 < x ≤ 1.003 ; 1.003 < x ≤ 1.10 ; x ≥ 1.10 ; x ≤ 1.03 ; 1.03 < x < 1.17 ; x ≥ 1.17

Derajat Keanggotaan

28

1.2 1 0.8 0.6 0.4 0.2 0

Mentah Setengah Matang 0

50

100

Nilai Kematangan (%)

Gambar 2.12 Grafik logika fuzzy untuk Kematangan Fungsi dari grafik Kematangan adalah 1 µK Mentah (x) = 0 0

µK Setengah (x) = 0 0

µK Matang (x) = 1

; x ≤ 30 ; 30 < x < 50 ; x ≥ 50 ; x ≤ 40 ; 40 < x ≤ 55 ; 55 < x ≤ 70 ; x ≥ 70 ; x ≤ 60 ; 60 < x < 80 ; x ≥ 80

Pengujian alat Ketepatan alat dapat dilihat pada Tabel 3.1 dan 3.2 dimana pada pada kondisi terang ketepatannya lebih kecil dibandingkan pada kondisi gelap. Terlihat dari Tabel bahwa alat cenderung salah menentukan kematangan Setengah, hal tersebut dikarenakan pada kondisi terang nilai Red dan Green yang didapatkan rentangnya sangat kecil yang menyebabkan rentang pada daerah Setengah menjadi kecil sehingga alat hanya bisa menampilkan Mentah atau Matang. Terlihat juga ketepatan alat menggunakan Red dan Green yang terpisah lebih kecil dibandingkan menggunakan R/G dalam kondisi redup, sehingga dapat disimpulkan memang menggunakan R/G lebih mudah dan tepat.

Gambar 3.1 Display pada layar alat saat menentukan kematangan

29

Nilai kelunakan didapatkan oleh progam melalui linearitas dari grafik yang sudah didapatkan dimana persen kematangan diubah ke dalam hari. Oleh karena itu maka nilai kelunakan akan bergantung pada hasil persen yang didapatkan oleh alat, jika alat mendapatkan persen yang tidak tepat maka nilai kelunakan juga kurang tepat. Pada program yang menggunakan logika fuzzy dengan Red dan Green terpisah, didapatkan ketepatan nilai kematangan pada redup 60% dan terang 50%, sedangkan ketepatan nilai kelunakannya pada redup sebesar 69.61% dan terang 69.05%. Untuk program yang menggunakan logika fuzzy R/G didapatkan ketepatan nilai kematangan pada redup 75% dan terang 45%, sedangkan ketepatan nilai kelunakannya pada redup sebesar 73.07% dan terang 66.42%. Gambar 3.1 meenunjukkan tampilan alat pada display LCD touchscreen saat menentukan kematangan buah tomat. Tabel 3.1 Penentuan ketepatan alat dalam menentukan kematangan Visual Buah keStatus 1 Setengah 2 Mentah 3 Matang 4 Matang 5 Mentah 6 Setengah 7 Mentah 8 Setengah 9 Setengah 10 Setengah 11 Mentah 12 Matang 13 Matang 14 Setengah 15 Matang 16 Setengah 17 Matang 18 Matang 19 Setengah 20 Setengah Ketepatan alat

Hasil alat Red dan Green terpisah R/G Terang Redup Terang Redup Status Nilai Status Nilai Status Nilai Status Nilai 1 0 0 1 Setengah Mentah Matang Setengah 0 1 0 1 Matang Mentah Matang Mentah 1 1 1 1 Matang Matang Matang Matang 1 1 1 1 Matang Matang Matang Matang 0 0 0 1 Matang Matang Matang Mentah 0 0 0 0 Matang Matang Matang Matang 0 1 0 1 Setengah Mentah Matang Mentah 1 1 0 0 Setengah Setengah Matang Mentah 0 1 0 1 Matang Setengah Matang Setengah 0 0 0 0 Matang Matang Matang Matang 1 1 1 1 Mentah Mentah Mentah Mentah 1 1 1 1 Matang Matang Matang Matang 1 1 1 1 Matang Matang Matang Matang 0 0 0 0 Matang Matang Matang Matang 1 1 1 1 Matang Matang Matang Matang 0 0 0 0 Matang Matang Matang Matang 1 1 1 1 Matang Matang Matang Matang 1 1 1 1 Matang Matang Matang Matang 0 0 0 1 Matang Matang Matang Setengah Matang 0 Matang 0 Matang 0 Setengah 1 45% 75% 55% 60%

30

Tabel 3.2 Penentuan ketepatan alat dalam menentukan kelunakan Manual Buah keΔL(cm) 1 0.395 2 0.320 3 0.310 4 0.330 5 0.160 6 0.270 7 0.190 8 0.255 9 0.225 10 0.310 11 0.245 12 0.185 13 0.260 14 0.265 15 0.250 16 0.205 17 0.275 18 0.250 19 0.165 20 0.190 Ketepatan rata-rata

Hasil alat Red dan Green terpisah R/G Terang Redup Terang Redup KeteKeteKeteKeteΔL(cm) patan ΔL(cm) patan ΔL(cm) patan ΔL(cm) patan (%) (%) (%) (%) 0.267 67.68 0.231 58.53 0.303 76.82 0.250 63.39 0.316 98.86 0.234 73.11 0.317 99.22 0.214 66.84 0.317 97.71 0.317 97.71 0.317 97.71 0.317 97.71 0.317 96.09 0.317 96.09 0.317 96.09 0.317 96.09 0.304 10.03 0.298 13.83 0.304 9.78 0.238 51.46 0.317 82.56 0.313 84.06 0.317 82.56 0.334 76.19 0.266 59.94 0.229 79.61 0.334 24.05 0.234 76.70 0.269 94.51 0.252 98.78 0.307 79.71 0.214 83.88 0.301 66.28 0.263 82.89 0.334 51.42 0.247 90.14 0.302 97.27 0.314 98.74 0.315 98.54 0.334 92.16 0.223 91.15 0.214 87.31 0.236 96.41 0.214 87.31 0.317 28.59 0.317 28.59 0.317 28.59 0.317 28.59 0.317 78.04 0.317 78.04 0.317 78.04 0.317 78.04 0.310 83.01 0.314 81.48 0.303 85.63 0.312 82.31 0.317 73.16 0.317 73.16 0.317 73.16 0.317 73.16 0.317 45.32 0.317 45.32 0.317 45.32 0.311 48.30 0.317 84.69 0.317 84.69 0.317 84.69 0.317 84.69 0.317 73.16 0.317 73.16 0.317 73.16 0.317 73.16 0.298 19.38 0.295 21.37 0.317 7.82 0.263 40.77 0.316 33.56 0.312 35.77 0.305 39.67 0.246 70.46 69.05% 69.61% 66.42% 73.07%

SIMPULAN DAN SARAN Simpulan Berdasarkan atas hasil analisis dan uji alat yang telah dilakukan, maka dapat disimpulkan bahwa: 1. Kondisi yang paling baik untuk menentukan kematangan tomat adalah pada pencahayaan redup dan latar belakang hitam. 2. Dalam menentukan kematangan buah tomat hanya nilai Red dan Green yang digunakan, sedangkan nilai Blue tidak mempengaruhi kematangan buah tomat. 3. Pada program yang menggunakan logika fuzzy dengan Red dan Green terpisah memiliki ketepatan untuk kematangan pada kondisi redup 60% dan terang 50%, sedangkan nilai kelunakannya pada redup sebesar 69.61% dan terang 69.05%. 4. Pada program yang menggunakan logika fuzzy R/G memiliki ketepatan untuk kematangan pada kondisi redup 75% dan terang 45%, sedangkan nilai kelunakannya pada redup sebesar 73.07% dan terang 66.42%.

31

Saran Perlu penelitian lebih lanjut dengan mengganti teknik Backrgound Substractor dengan teknik lain seperti Object Recognition agar noise dari bayangan dapat diminimalisir. Serta dapat dilakukan penelitian dengan menggunakan nilai selain nilai RGB seperti CMYK atau Lab agar logika fuzzy lebih akurat. Selain itu diperlukan juga kemampuan program untuk merubah citra dalam pencahayaan apapun menjadi citra pada kondisi paling bagus untuk menentukan kematangan.

32

DAFTAR PUSTAKA 1

Riska Suastika Yulia. Klasifikasi Level Kematangan Tomat Berdasarkan Perbedaan Perbaikan Citra Menggunakan Rata-Rata RGB Dan Index Pixel. Jurnal Ilmiah Teknologi dan Informasia ASIA (JITIKA). 2015. 9(2): 19-26. 2 Salman Afan Galih. Pamodelan System Fuzzy dengan Menggunakan Matlab. ComTech. 2010; 1(2): 276-288. 3 Yudanto Adhitiya Yoga, Apriyadi Mavin, Sanjaya Kevin. Optimalisasi Lampu Lalu Lintas dengan Fuzzy Logic. Ultimatics. 2013; 5(2): 58-62. 4 Rizali Yusuf. Pengembangan algoritma image processing untuk menentukan tingkat kematangan buah tomat segar [skripsi]. Bogor(ID): Institut Pertanian Bogor. 2007. 5 Apriyanti Mukti. Perubahan sifat fisik buah tomat (Lycopersicon esculentum Mill) dibawah pengaruh vibrasi dan suhu penyimpaanan [tesis]. Yogyakarta (ID): Universitas Gajah Mada. 2013. 6 Grierson D dan AA Kader. Fruit Ripening and Quality. Di dalam: J G Atherton and Rudich J, editor. The Tomato Crop. New York(US):Chapman and Hall. 1986. 7 Salunkhe DK, BB Desai. Postharvest Biotechnology of Vegetables. Volume ke1. Florida(US):CRC Press, Inc. 1984. 8 Surhaini dan Indriyani. Pengaruh Jenis Plastik dan Cara Kemas Terhadap Mutu Tomat Selama dalam Pemasaran. Jurnal Agronomi. 2009; 13(2): 44-50. 9 Ahmad U. Pengolahan Citra Digital dan teknik Pemrogramannya. Yogyakarta(ID): Graha Ilmu. 2005. 10 Jatmika Sunu dan Purnamasari Dwi. Rancang Bangun Alat Pendeteksi Kematangan Buah Apel Dengan Menggunakan Metode Image Processing Berdasarkan Komposisi Warna. Jurnal Ilmiah Teknologi dan Informasi ASIA. 2014; 8(1):51-58. 11 Sutoyo, Mulyanto E, Suhartono Vincent, Nurhayati Oki Dwi. Teori Pengolahan Citra Digital. Yogyakarta (ID):Penerbit ANDI. 2009. 12 Iswahyudi Catur. Prototype Aplikasi Untuk Mengukur Kematangan Buah Apel Berdasar Kemiripan Warna. Jurnal teknologi. 2010; 3(2): 107-112. 13 Mahamuni P D, Patil R P, Thakar H S. Moving Object Detection using Background Substraction Algorithm using Simulink. IJRET: International Journal Of Research in Engineering and Technology. 2014; 3(6):594-598. 14 Pong P, Kaew Tra Kul, Bowden R. An Improved Adaprive Background Mixture Model for Real-time Tracking with Shadow Detection. Di dalam: VIDEO BASED SURVEILLANCE SYSTEMS: Computer Vision and Distributed Processing. 2nd European Workshop on Advanced Video Based Surveillance Systems. Sept 2001. Berlin(DE): Kluwer Academic Publishers. hlm 1-5. 2001. 15 Indrabayu, Harun Namdjamuddin, Pallu M Saleh, Achmad Andani, Febriyati Febi. Prediksi Curah Hujan dengan Fuzzy Logic. Hasil Penelitian Fakultas Teknik.[Internet].[Waktu, Tempat, dan editor tidak diketahui]. Makasar(ID): Fakultas Teknik Universitas Hasanuddin. hlm 1-10. 2012.;[diunduh 2016 Mei 4]. Tersedia pada: download.portalgaruda.org/article.php?article=94491&val=2170.

33

16 Yazid Edwar. Penerapan kendali Cerdas pada Sistem Tangki Air Menggunakan Logika Fuzzy. Jurnal Fisika Himpunan Fisika Indonesia. 2009; 9(2): 11-23. 17 Kusuma Dewi dan Purnomo. Aplikasi Logika Fuzzy untuk Pendukung Keputusan, Yogyakarta(ID): Graha Ilmu. 2010.

34

Lampiran 1 Proses kematangan beberapa buah tomat pada setiap kondisi Proses kematangan pada putih terang

Proses kematangan pada putih redup

Proses kematangan pada hitam terang

35

Proses kematangan pada hitam redup

Lampiran 2 Program penentuan kematangan buah tomat Program penentuan kematangan buah tomat dengan Red dan Green terpisah #!/home/pi/.virtualenvs/cv/bin/python from picamera.array import PiRGBArray from picamera import PiCamera import time import argparse import numpy as np import cv2 font= cv2.FONT_HERSHEY_SIMPLEX camera = PiCamera() camera.resolution = (480, 320) camera.framerate = 32 camera.contrast = 0 camera.brightness = 50 camera.awb_mode='off' camera.awb_gains=(1.5,1.3) camera.shutter_speed = 30000 camera.rotation=270 print "[INFO] Camera Warming up 2s" time.sleep(1) print "[INFO] Camera Warming up 1s" time.sleep(1) camera.exposure_mode = 'off' print "[INFO] Camera Ready" rawCapture = PiRGBArray(camera, size=(480, 320)) #fgbg = cv2.bgsegm.createBackgroundSubtractorMOG() fgbg = cv2.createBackgroundSubtractorMOG2(detectShadows = False) # allow the camera to warmup time.sleep(0.1)

36

red=0 blue=0 green=0 x_post=-1 y_post=-1 xr=0 xg=0 persen=0 def click(event, x, y, flags, param): global x_post, y_post if event==cv2.EVENT_LBUTTONDOWN: x_post=x y_post=y def calc(xr, xg): ur1=0; ur2=0; ur3=0; ug1=0; ug2=0; ug3=0; R1=0; R2=0; R3=0; R4=0; R5=0; R6=0; R7=0; x1=0; x2=0; x3=0; x4=0; x5=0; x6=0; x7=0; if (xr<=40.77): ur1=1 elif (40.77<xr<43.33): ur1=(43.33-xr)/2.56 else: ur1=0 if (42.05<xr<=43.97): ur2=(xr-42.05)/1.92 elif (43.97<xr<=45.89): ur2=(43.97-xr)/1.92 else: ur2=0 if (xr<=44.61): ur3=0 elif (44.61<xr<47.17): ur3=(xr-44.61)/2.56 else: ur3=1 if (xg<=43.53): ug1=1 elif (43.53<xg<45.79): ug1=(45.79-xg)/2.26 else: ug1=0 if (44.66<xg<=46.36): ug2=(xg-44.66)/1.69 elif (46.36<xg<=48.06): ug2=(46.36-xg)/1.69 else: ug2=0 if (xg<=46.93): ug3=0 elif (46.93<xg<49.19): ug3=(xg-46.93)/2.26 else: ug3=1 if ur1<=ug2: R1=ur1 else: R1=ug2 if ur1<=ug3: R2=ur1 else: R2=ug3 if ur2<=ug1: R3=ur2 else: R3=ug1 if ur2<=ug2: R4=ur2 else: R4=ug2

37

if ur2<=ug3: R5=ur2 else: R5=ug3 if ur3<=ug1: R6=ur3 else: R6=ug1 if ur3<=ug2: R7=ur3 else: R7=ug2 x1= 50-(R1*20) x2= 50-(R2*20) x3= (R3*20)+70 if xr<xg: x4=(R4*20)+40 else: x4= 80-(R4*20) x5= (R5*20)+40 x6= (R6*20)+70 x7= 80-(R7*20) R=R1+R2+R3+R4+R5+R6 if (R==0): return 0 else: x=(x1*R1+x2*R2+x3*R3+x4*R4+x5*R5+x6*R6+x7*R7)/R #if x>100:x=100 return x ...

Program penentuan kematangan buah tomat dengan R/G ... def click(event, x, y, flags, param): global x_post, y_post if event==cv2.EVENT_LBUTTONDOWN: x_post=x y_post=y def calc(xrg): urg1=0; urg2=0; urg3=0; x1=0; x2=0; x3=0; if (xrg<=0.839): urg1=1 elif (0.839<xrg<0.97): urg1=(0.97-xrg)/0.131 else: urg1=0 if (0.904<xrg<=1.003): urg2=(xrg-0.904)/0.098 elif (1.003<xrg<=1.10): urg2=(1.003-xrg)/0.098 else: urg2=0 if (xrg<=1.03): urg3=0 elif (1.03<xrg<1.17): urg3=(xrg-1.03)/0.13 else: urg3=1

38

x1= 50-(urg1*20) if xrg<1: x2= (urg2*20)+40 else: x2= 80-(urg2*20) x3= (urg3*20)+70 x=(x1*urg1+x2*urg2+x3*urg3)/(urg1+urg2+urg3) if x>100:x=100 return x ...

Lampiran 3 Tabel hasil pengukuran alat Tabel Pengukuran kematangan dan ΔL menggunakan alat dengan logika fuzzy Red dan Green terpisah Visual dan manual Buah ke1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Status

ΔL(cm)

Setengah Mentah Matang Matang Mentah Setengah Mentah Setengah Setengah Setengah Mentah Matang Matang Setengah Matang Setengah Matang Matang Setengah Setengah

0.395 0.320 0.310 0.330 0.160 0.270 0.190 0.255 0.225 0.310 0.245 0.185 0.260 0.265 0.250 0.205 0.275 0.250 0.165 0.190

Hasil alat Status Setengah Matang Matang Matang Matang Matang Setengah Setengah Matang Matang Mentah Matang Matang Matang Matang Matang Matang Matang Matang Matang

Terang Persen 61.07 89.56 90.00 90.00 82.36 90.00 60.36 62.03 80.56 80.95 35.47 90.00 90.00 85.88 90.00 90.00 90.00 90.00 78.91 89.50

ΔL(cm) 0.267 0.316 0.317 0.317 0.304 0.317 0.266 0.269 0.301 0.302 0.223 0.317 0.317 0.310 0.317 0.317 0.317 0.317 0.298 0.316

Status Mentah Mentah Matang Matang Matang Matang Mentah Setengah Setengah Matang Mentah Matang Matang Matang Matang Matang Matang Matang Matang Matang

Redup Persen 40.06 41.65 90.00 90.00 78.82 87.64 38.63 52.08 58.83 88.15 30.00 90.00 90.00 88.25 90.00 90.00 90.00 90.00 77.00 87.06

ΔL(cm) 0.231 0.234 0.317 0.317 0.298 0.313 0.229 0.252 0.263 0.314 0.214 0.317 0.317 0.314 0.317 0.317 0.317 0.317 0.295 0.312

39

Tabel Pengukuran kematangan dan ΔL menggunakan alat dengan logika fuzzy R/G Visual dan manual Buah ke1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

Status

ΔL(cm)

Setengah Mentah Matang Matang Mentah Setengah Mentah Setengah Setengah Setengah Mentah Matang Matang Setengah Matang Setengah Matang Matang Setengah Setengah

0.395 0.32 0.31 0.33 0.16 0.27 0.19 0.255 0.225 0.31 0.245 0.185 0.26 0.265 0.25 0.205 0.275 0.25 0.165 0.19

Hasil alat Status Matang Matang Matang Matang Matang Matang Matang Matang Matang Matang Mentah Matang Matang Matang Matang Matang Matang Matang Matang Matang

Terang Persen 82.06 90.23 90.00 90.00 82.59 90.00 100.00 83.98 100.00 88.50 42.97 90.00 90.00 81.85 90.00 90.00 90.00 90.00 90.00 82.75

ΔL(cm) 0.303 0.317 0.317 0.317 0.304 0.317 0.334 0.307 0.334 0.315 0.236 0.317 0.317 0.303 0.317 0.317 0.317 0.317 0.317 0.305

Status Setengah Mentah Matang Matang Mentah Matang Mentah Mentah Setengah Matang Mentah Matang Matang Matang Matang Matang Matang Matang Setengah Setengah

Redup Persen 51.21 30.00 90.00 90.00 43.82 100.00 41.84 30.00 49.35 100.00 30.00 90.00 90.00 86.96 90.00 86.45 90.00 90.00 58.39 48.74

ΔL(cm) 0.250 0.214 0.317 0.317 0.238 0.334 0.234 0.214 0.247 0.334 0.214 0.317 0.317 0.312 0.317 0.311 0.317 0.317 0.263 0.246

40

Lampiran 4 Diagram alir penelitian MULAI

Studi Literatur

Pemrograman

Pengambilan Data

Analisis Logika Fuzzy

Pengujian Alat

SELESAI

41

RIWAYAT HIDUP Penulis lahir di Depok, 31 Oktober 1994, anak pertama dari pasangan Bapak Ambardana Suhardi dan Ibu Nuraini Suharyanti. Penulis memulai jenjang pendidikannya di SD Budi Mulia Bogor tahun 2001-2006, kemudian dilanjutkan di SMP Budi Mulia Bogor pada tahun 2006-2009, kemudian dilanjutkan di SMA NEGERI 4 BOGOR pada tahun 2009-2012. Tahun 2012 penulis lulus SMA dan melanjutka studi di Institut Pertanian Bogor melalui jalur SNMPTN Undangan dan diterima di Departemen Fisika, Fakultas Matematika dan Ilmu Pegetahuan Alam. Selama mengikuti perkuliahan penulis aktif di organisasi dan kepanitiaan, diantaranya anggota divisi Sainstek Himafi pada tahun 2013-2014, anggota divisi Kominfo Himafi pada tahun 2014-2015, kepala divisi MPDD Masa Perkenalan Departemen Fisika tahun 2014 dan 2015, ketua pelaksana Seminar dan Workshop Biomaterial pada tahun 2014, anggota divisi MPDD Physics Expo 2015, anggota klub Robotik Physics Research Club, dan Manager Fabrikasi Physics Research Club pada tahun 2015-2016. Selain itu, penulis juga aktif sebagai asisten praktikum fisika TPB tahun 2013-2014, asisten praktikum Elektronika Dasar dan Lanjut pada tahun 2014-2016, dan asisten praktikum Sensor dan Transduser Pada Tahun 2015-2016,

STUDI KEMATANGAN BUAH TOMAT MENGGUNAKAN IMAGE PROCESSING DAN LOGIKA FUZZY YANG DIINTREGASIKAN DENGAN RASPBERRY PI IMMANUEL IVAN PRADANA SUHARDI

Recommend Documents