BAB 1.

PENDAHULUAN
1.1 Latar Belakang
Perkembangan

teknologi

banyak

memberi

pengaruh

terhadap

perkembangan ilmu pengetahuan, terutama teknologi komputer. Perkembangan

teknologi komputer pada saat ini telah membawa kemajuan yang sangat berarti
dalam berbagai aspek terutama bagi negara berkembang.
Saat ini, kebutuhan manusia akan teknologi untuk mempermudah
melakukan suatu pekerjaan begitu tinggi. Salah satunya adalah aplikasi
pengolahan citra. Manusia dapat mengenali sebuah citra secara fisik, namun
komputer dapat melakukan pengenalan citra dengan mencocokkan tingkat
kemiripan obyek-obyek dari citra tersebut. Sistem pengenalan saat ini juga banyak
berkembang dan dimanfaatkan seperti pengenalan jenis daun, jenis tumbuhan, dan
pengenalan jenis penyakit.
Pengolahan citra adalah suatu metode atau teknik yang dapat digunakan
untuk memproses citra atau gambar dengan cara memanipulasinya menjadi data
gambar yang diinginkan untuk mendapatkan informasi tertentu. Aplikasi
pengolahan citra menggunakan prinsip dasar dalam pengolahan citra seperti
peningkatan kecerahan dan kontras, penghilang derau pada citra, dan pencarian
bentuk objek. Pengolahan citra ini akan diterapkan pada buah tomat agar dapat
dikenali citra buah tersebut sehingga dapat diketahui tingkat kemiripan data dan
obyek.
1.2 Rumusan Masalah
Berdasarkan latar belakang di atas, rumusan masalah yang terdapat pada
penulisan laporan ini adalah sebagai berikut.
1.
2.
3.
4.

Bagaimana image aquisition pada pengolahan citra buah tomat?

Bagaimana segmentasi area dan backgroud pada pengolahan citra buah tomat?
Bagaimana program pengolahan citra buah tomat?
Bagaimana analisis warna pada pengolahan citra buah tomat dengan analisis
warna RGB?

5. Bagaimana analisis warna pada pengolahan citra buah tomat dengan analisis
warna HSI?
1.3 Tujuan dan Manfaat
1.3.1 Tujuan
Tujuan dari praktikum pengolahan citra adalah sebagai berikut.
1.
2.
3.
4.

Mendeskripsikan image aquisition pada pengolahan citra buah tomat.

Melakukan segmentasi area dan backgroud pada pengolahan citra buah tomat.
Membuat program pengolahan citra buah tomat.
Menganalisis warna pada pengolahan citra buah tomat dengan analisis warna

RGB.
5. Menganalisis warna pada pengolahan citra buah tomat dengan analisis warna
HSI.
1.3.2 Manfaat
Manfaat dari praktikum pengolahan citra adalah menghasilkan program
pengolahan citra yang mampu melakukan analisis pada buah tomat.

BAB 2. TINJAUAN PUSTAKA

2.1 Tomat
Tomat merupakan tanaman yang berasal dari daerah Andean, Amerika
Selatan yang meliputi wilayah Chili, Ekuador, Bolivia, Kolumbia, dan Peru.
Tomat yang didomestifikasikan pertama kali ada di Meksiko, yakni tomat cherry
(Lycopersium esculentum var cerasiformae). Setelah itu tomat memyebar ke
negara-negara Eropa, selanjutnya menyebar ke Cina, Asia termasuk ke Indonesia.
Di Indonesia tanaman ini mulai dibudidayakan secara komersial pada tahun 1988
setelah adanya introduksi varietas hibrida dari Taiwan yakni Precious 375
(Hidayati dan Dermawan, 2012: 6).
2.2 Citra Digital
Menurut Ahmad (2005: 11-14), satuan atau bagian terkecil dari suatu citra
disebut piksel yang berarti elemen citra. Umumnya citra dibentuk dari kotakkotak persegi empat yang teratur sehingga jarak horizontal dan vertikal atar piksel
adalah sama pada seluruh bagian citra. Dalam komputer, setiap piksel diwakili
oleh dua buah bilangan bulat (integer) untuk menunjukkan lokasinya dalam
bidang citra dan sebuah nilai dalam bilangan bulat (integer) untuk menunjukkan
cahaya atau keadaan terang-gelap piksel tersebut. Untuk menunjukkan tingkat
pencahayaan suatu piksel, seringkali digunakan bilangan bulat yang besarnya 8bit, dengan lebar selang nilai 0-255, dimana 0 untuk warna hitam, 255 untuk
warna putih dan tingkat abu-abu berada di antara nialu-nilai 0 dan 255 Sebuah
piksel adalah sampel dari pemandangan yang mengandung intensitas citra yang
dinyatakan dalam bidang bulat. Sebuah citra adalah kumpulan piksel-piksel yang
disusun dalam larik dua-dimensi. Indeks baris dan kolom (x,y) dari sebuah piksel
dinyatakan dalam bilangan bulat. Piksel (0,0) terletak pada sudut kiri atas pada
citra, indeks x bergerak ke kanan dan indeks y bergerak ke bawah.
2.3 Pengolahan Citra
Menurut Universitas Gunadarma (Tanpa Tahun), pengolahan citra adalah
pemrosesan citra, khususnya dengan menggunakan komputer, menjadi citra yang
kualitasnya lebih baik. Sebagai contoh, citra burung nuri pada Gambar 2.1 (a)

tampak agak gelap, lalu dengan operasi pengolahan citra kontrasnya diperbaiki
sehingga menjadi lebih terang dan tajam (b). Umumnya, operasi-operasi pada
pengolahan citra diterapkan pada citra bila:
1. perbaikan atau memodifikasi citra perlu dilakukan untuk meningkatkan
kualitas penampakan atau untuk menonjolkan beberapa aspek informasi yang
terkandung di dalam citra;
2. elemen di dalam citra perlu dikelompokkan, dicocokkan, atau diukur;
3. sebagian citra perlu digabung dengan bagian citra yang lain.

(a)

(b)
Gambar 2.1 Citra Burung Nuri

Menurut Ichsan el al (2013), pengolahan citra pada dasarnya dilakukan

dengan cara memodifikasi setiap titik dalam citra yang bertujuan untuk
memperbaiki kualitas citra sehingga lebih mudah diinterpretasikan oleh manusia
dan mesin (komputer). Berikut adalah alur pengolahan citra.

Gambar 2.2 Alur Pengolahan Citra

Teknik-teknik pengolahan citra biasanya digunakan untuk melakukan
transformasi dari satu citra kepada citra yang lain, sementara tugas perbaikan
informasi terletak pada manusia melalui penyusunan algoritma. Bidang ini meliputi
penajaman citra, penonjolan fitur tertentu dari suatu citra, kompresi citra dan koreksi
citra yang tidak fokus atau kabur. Sebaliknya, sistem visual menggunakan citra
sebagai masukan tetapi menghasilkan keluaran jenis lain seperti representasi dari

kontur obyek dalam citra, atau menghasilkan gerakan dari suatu peralatan mekanis
yang terintregasi dengan sistem visual. Jadi, penekanan pada sistem visual adalah
perbaikan dan pengambilan informasi secara otomatis dengan interaksi manusia yang
minimal (Ahmad, 2005:4).

2.4 Pengolahan Warna

2.4.1 Pengolahan Warna Model RGB
Pengolahan warna menggunakan model warna RGB sangat mudah dan
sederhana, karena informasi warna dalam komputer sudah dikemas dalam model
yang sama. Salah satu cara yang mudah untuk menghitung nilai warna dan
menafsirkan hasilnya dalam model warna RGB adalah dengan melakukan
normalisasi terhadap ketiga komponen warna tersebut. Normalisasi penting
dilakukan terutama bila sejumlah citra yang ditangkap dengan penerangan yang
berbeda-beda. Hasil perhitungan tiap komponen warna pokok yang telah
dinormalisasi akan menghilangkan pengaruh penerangan, sehingga nilai untuk
tiap komponen warna dapat dibandingkan satu sama lainnya walaupun berasal
dari citra dengan kondisi penerangan yang tidak sama, asalkan tidak ekstrim
perbedaannya (Ahmad, 2005: 270-271).
Menurut Ahmad (2005: 271), cara melakukan normalisasi komponen
warna RGB adalah sebagai berikut.
r=

R
R+ G+ B

g=

G
R+ G+ B

b=

B
R+ G+ B

2.4.2 Pengolahan Warna Model HSI

Model warna HSI menampilkan warna dalam besaran-besaran corak,
saturasi, dan intensitas. Intensitas adalah nilai abu-abu dari piksel dalam citra abuabu. Segitiga HSI sepeti pada gambar di bawah ini menampilkan kombinasi dari
corak dan saturasi yang ditampilkan dari kombinasi warna pokok RGB. Sudut-

sudut segitiga berkorespondensi dengan nilai maksimum dari warna-warna pokok

(merah, hijau, dan biru) yang tersedia dalam sistem komputer grafik. Piksel-piksel
akromasitis (tak mengandung warna) adalah bayangan abu-abu, berkorsepondensi
dengan jumlah ketiga warna pokok yang sama dan terletak di pusat segitiga
(Ahmad, 2005: 280).
Menurut Ahmad (2005: 282), komponen warna RGB pada citra dapat
dikonversi menjadi model warna HSI. Untuk perhitungan yang bebas terhadap
satuan pada perangkat keras, nilai komponen RGB dinormalkan terlebih dahulu.
Namun untuk mendapatkan nilai intensitas, besarannya dapat dihitung secara
langsung dengan rumus sebagai berikut.
I=

R+ G+ B
3

2.5 Segmentasi Citra

Salah satu masalah yang penting dalam sistem visual adalah bagaimana
melakukan segmentasi. Segmentasi merupakan pemisahan atau pembagian citra
bebrapa daerah berdasarkan sifat-sifat tertentu dari citra yang dapat dijadikan
pembeda. Salah satu pendekatan untuk mempartisi citra ke dalam beberapa daerah
adalah segmentasi berdasarkan daerah masing-masing, yang biasanya mempunyai
nilai intensitas yang berbeda dengan latar belakang. Pada segmentasi berdasarkan
daerah, semua piksel yang berkorespondensi dengan sebuah objek dikelompokkan
dan diberi tanda yang sama agar dikenali sebagai satu daerah. Segmentasi dapat
dilakukan dengan binerisasi melalui proses tresholding yang menghasilkan citra
biner. Citra biner adalah citra yang disimpan hanya dalam dua macam intensitas
yaitu hitam dan putih. Citra biner dapat memisahkan daerah dan latar belakang
dengan tegas (Ahmad, 2005: 83-85).

BAB 3. METODOLOGI
1.1 Tempat dan Waktu
Praktikum pengolahan citra dilaksanakan pada hari Senin selama dua
minggu yaitu pada tanggal 16 Mei 2016 dan 23 Mei 2016 pukul 13:00 WIB
sampai selesai di Laboratorium Instrumentasi Teknik Pertanian, Fakultas
Teknologi Pertanian, Universitas Jember.
1.2 Alat dan Bahan
Alat dan bahan yang digunakan dalam praktikum pengolahan citra adalah
sebagai berikut.
1. 30 buah tomat.
2. Perangkat komputer sebagai perangkat keras pengolah data citra.
3. Sebuah paket kamera CCD digital DFK 31 BU04.H dari The Imaging Source yang
menggunakan standar perantara USB sebagai pengambil citra objek.
4. Perangkat penyinaran dengan sumber cahaya TL 5 Watt yang dibuat sesuai
keperluan dan terintegrasi dengan stasiun pengambilan citra.
5. Kain berwarna putih sebagai background.
6. Software Sharp Develop 4.2, IC Capture 2.2, Ms. Excel, dan paint.net.

1.3 Prosedur Kerja

1.3.1

Persiapan sampel

1.3.2

Image Aquisition

1.3.3

Pengambilan citra buah tomat

1.3.4

Pembuatan program
BAB 4. HASIL DAN PEMBAHASAN

4.1 Image Aquisition

Proses image aquisition bertujuan agar citra buah tomat bebas dari
bayangan, warnanya mendekati obyek asli, tidak terjadi pantulan cahaya akibat
lampu, dan warna dari obyek tidak terpengaruh oleh background. Langkah dari
proses image aquisition adalah sebagai berikut.
1. Mengatur jarak antara kamera dengan obyek. Jarak yang digunakan untuk

mengambil buah tomat yaitu 27 cm dari meja pengambilan gambar.

2. Mengatur jarak antar lampu. Jarak antar lampu pada praktikum ini adalah 9 cm

dan 21 cm. Jarak ini merupakan jarak terbaik karena mampu meminimalkan
bayangan dari obyek.
3. Penentuan nilai saturation (kejenuhan warna) dan hue (corak warna) dilakukan

pada program IC Capture, dengan nilai dari saturation (kejenuhan warna)

sebesar 233 dan hue (corak warna) sebesar 178.

a) Meja tampak depan

b) Meja tampak samping

Gambar 4.1 Image aquisition meja pengambilan citra

4.2 Segmentasi Area Dan Background
Pada segmentasi area dan background, untuk mengetahui nilai batas
segementasi dilakukan dengan cara mengambil nilai RGB pada obyek dan
background dari beberapa sampel citra buah tomat. Grafik yang digunakan untuk
penentuan nilai batas segmentasi adalah sebagai berikut.

Segmentasi Area dan Background

180
160
140
120
Indeks Warna

100
80
60
40
20
0
Komponen Citra

Gambar 4.2 Grafik sebaran nilai RGB obyek dengan background

Berdasarkan grafik di atas, dapat diketahui bahwa nilai R obyek dan R
background saling tumpang tindih sehingga tidak memungkinkan menggunakan
nilai R sebagai nilai batas segmentasi. Namun nilai G dan B mampu memisahkan
obyek dan background dengan baik yaitu pada nilai G lebih dari 27 dan B lebih
dari 11. Sehingga formula yang diperoleh untuk nilai batas segmentasi pada program
yaitu jika original image memiliki nilai G > 27 AND B > 11 maka tampilan citra
biner obyek akan diubah menjadi warna hitam (0) yang menggambarkan latar
belakang

(background) dan selain itu diubah menjadi warna putih (255) yang

menggambarkan obyek.

4.3 Program Pengolahan Citra

Pengambilan citra buah tomat diambil menggunakan software IC Capture
2.2 dan kamera CCD. Hasil citra buah tomat disimpan dalam format bmp.
Program pengolahan citra dibuat menggunakan software Sharp Develop 4.2..
Program pengolahan citra tersebut dibuat untuk memperoleh analisis dari citra
buah tomat. Gambar citra buah tomat dapat dilihat pada gambar 4.3.

a)

d)

b)

e)

c)

f)

(a) citra asli buah tomat; (b) tresholding merah; (c) tresholding hijau; (d)
tresholding biru; (e) tresholding grayscale (f) invert citra biner
Gambar 4.3 Citra buah tomat
Hasil citra dari buah tomat tersebut kemudian diolah menggunakan
program pengolahan citra yang dibuat menggunakan software Sharp Develop 4.2
untuk mendapatkan variabel analisis buah tomat. Variabel analisis yang
didapatkan adalah area, tinggi, lebar, nilai r, g, b, dan nilai H, S, I. Berikut ini
adalah gambar tampilan dari program pengolahan citra yang telah dibuat.

Gambar 4.4 Tampilan program pengolahan citra buah tomat

Penjelasan fungsi dari masing-masing komponen yang terdapat dalam
program pengolahan citra buah tomat adalah sebagai berikut.
1. Keterangan menu dan sub menu pada tampilan, dapat dilihat pada tabel sebagai
berikut.
Tabel 4.1 Fungsi Masing-Masing Komponen Program Pengolahan Citra
Menu Utama
File

Sub-Menu
Buka File
Simpan File

Perbaikan
Citra

Exit
Tingkat kecerahan
Reduksi noise

Binerisasi

Tresholding merah
Tresholding hijau
Tresholding biru
Tresholding grayscale

Fungsi
Membuka
file
citra
dan
menampilkan di layar komputer
Menyimpan citra biner hasil
pengolahan
Keluar dari program
Melakukan manipulasi citra dengan
meningkatkan kecerahannya
Memperbaiki kualitas citra dengan
melemahkan atau menghapus noise
Menghasilkan citra biner dari citra
warna berdasarkan sinyal merah
Menghasilkan citra biner dari citra
warna berdasarkan sinyal hijau
Menghasilkan citra biner dari citra
warna berdasarkan sinyal biru
Menghasilkan citra biner dari citra
warna berdasarkan nilai rata-rata

Invert citra biner

Morfologi

Erosi
Dilasi
Opening
Closing

Analisis citra Ukuran obyek

biner
Analisis warna Model warna RGB
Model warna HSI
Keterangan

Program

ketiga sinyal
Membalik nilai intensitas objek dan
nilai intensitas latar belakang
Mengikis obyek sebanyak satu lapis
piksel untuk membersihkan noise
kecil
Memperbesar obyek sebanyak satu
lapis piksel untuk mengembalikan
ukuran
Mengikis obyek sebanyak satu lapis
piksel untuk membersihkan noise
kecil sambil menjaga ukuran obyek
Menutup celah besar satu lapis
piuksel untuk menutup lubanglubang kecil pada obyek sambil
menjaga ukuran obyek
Melakukan kalkulasi ukuran obyek
pada citra biner
Menganalisa
warna
obyek
menggunakan model warna RGB
Menganalisa
warna
obyek
menggunakan model warna HSI
Memberikan informasi tentang
programprogram yang kita buat
kepada pengguna

4.4 Analisis Warna RGB

Model warna RGB (red, green, blue). merupakan suatu model warna yang
didasarkan pada pembentukan warna melalui kombinasi warna merah, hijau, dan
biru. Pada analisis warna RGB, pengambilan nilainya menggunakan program
pengolahan citra. Citra asli buah tomat diolah dengan melakukan binerisasi.
Binerisasi yang digunakan adalah binerisasi yang hasilnya paling baik yaitu area
obyek berwarna putih (255). Kemudian dilakukan analisis warna RGB pada
program dan data yang dihasilkan dibuat grafik. Grafik analisis warna RGB pada
citra buah tomat adalah sebagai berikut.

Analisis Warna RGB

1
0.8
0.6
Indeks Warna 0.4R

0.2
0
0

10

15

20

25

30

35

Sampel (buah)
Gambar 4.5 Analisis warna RGB
Berdasarkan grafik di atas, dapat diketahui bahwa R (red) mempunyai nilai
yang lebih tinggi daripada nilai G dan B. Nilai indeks warna R mempunyai nilai
yang berkisar sekitar angka 0,67-0,80. Sedangkan pada nilai indeks warna G dan
B memiliki nilai yang berkisar 0,07-0,2. Jadi dapat disimpulkan bahwa nilai
warna R (red) memiliki nilai yang lebih besar dibanding nilai G (green) dan nilai
B (blue). Hal tersebut terjadi karena komponen warna pada buah tomat mayoritas
adalah merah.
4.5 Analisis Warna HSI
Model warna HSI menampilkan warna dalam besaran-besaran corak,
saturasi, dan intensitas. Intensitas adalah nilai abu-abu dari piksel dalam citra abuabu. Pengambilan warna HSI menggunakan program pengolahan citra yang telah
dibuat. Grafik analisis warna HSI pada citra buah tomat adalah sebagai berikut.

Analisis Warna HSI

70
60
50
40
Nilai HSI 30

20
10
0
0

10

15

20

25

30

35

Sampel (buah)
Gambar 4.6 Analisis warna HSI
Berdasarkan grafik di atas, dapat diketahui bahwa nilai H (hue) pada tomat
berkisar antara 28,0-63,38. H (hue) menyatakan warna sebenarnya yaitu merah
dan digunakan untuk membedakan warna-warna dan menentukan kemerahan
(redness) dari cahaya.

Nilai S pada tomat berkisar 0,6-0,8. Saturation (S)

menyatakan tingkat kemurnian warna cahaya, yaitu mengindikasikan seberapa

banyak warna putih diberikan pada warna. Pada saturation memiliki nilai satuan
persen. Sedangkan nilai I pada tomat berkisar 46-59. Intensity (I) menentukan
banyaknya cahaya yang diterima oleh mata tanpa mempedulikan warna. Kisaran
nilainya adalah antara gelap (hitam) dan terang (putih).

BAB 5. KESIMPULAN
Berdasarkan hasil dan pembahasan di atas, maka dapat ditarik kesimpulan
sebagai berikut.
1. Image Aquisition dilakukan dengan cara mengatur nilai hue, saturation,
intensitas pada IC Capture dan mengatur jarak kamera.

DAFTAR PUSTAKA
Ahmad, U. 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya.
Yogyakarta: Graha Ilmu.
Anonim. Tanpa Tahun. Definisi dan Pengolahan Citra Digital.
http://elektronika-dasar.web.id/definisi-dan-pengolahan-citra-digital/
[04
Juni 2016].
Cahyono, B. 1998. Tomat Budidaya dan Analisis Usaha Tani. Yogyakarta:
Kasinius
Hayati, N. dan Darmawan, R. 2012. Tomat Unggul. Jakarta: Penebar Swadaya.
Ichsan, a. Z., Andrizal, Yendri, D., 2013. Perancangan dan pembuatan Sistem
Visual Inspection Sebagai Seleksi Buah Tomat Berdasarkan Kematangan
Berbasis. Tidak diterbitkan. Padang: Universitas Andalas.
Universitas Gunadarma. Tanpa Tahun. Pengantar Pengolahan Citra.
http://citra.amutiara.staff.gunadarma.ac.id/.../Bab1_Pengantar+Pengolahan+
Citra+.pdf.

LAMPIRAN
Tabel 1. Segmentasi Area dan Background

Tabel 2. Analisis Warna RGB

No

Sampel

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

Tomat 1
Tomat 2
Tomat 3
Tomat 4
Tomat 5
Tomat 6
Tomat 7
Tomat 8
Tomat 9
Tomat 10
Tomat 11
Tomat 12
Tomat 13
Tomat 14
Tomat 15
Tomat 16
Tomat 17
Tomat 18
Tomat 19
Tomat 20
Tomat 21
Tomat 22
Tomat 23
Tomat 24
Tomat 25
Tomat 26
Tomat 27
Tomat 28
Tomat 29
Tomat 30

0,75591
0,75557
0,76921
0,76951
0,73265
0,71936
0,72458
0,77684
0,72165
0,75884
0,72575
0,72694
0,73642
0,72965
0,71798
0,68356
0,76414
0,67106
0,72865
0,70946
0,70946
0,79057
0,78031
0,74710
0,73670
0,74855
0,76715
0,71457
0,77602
0,67769

0,15827
0,15419
0,15402
0,14373
0,17324
0,16585
0,15803
0,13683
0,16293
0,14757
0,16861
0,16088
0,15612
0,16799
0,17803
0,19550
0,15293
0,19179
0,16426
0,16607
0,16607
0,13423
0,13039
0,14820
0,15106
0,15436
0,15953
0,16778
0,13666
0,17762

0,08581
0,09024
0,07670
0,08680
0,09414
0,11475
0,11740
0,08632
0,11539
0,09354
0,10563
0,11218
0,10751
0,10235
0,10399
0,12093
0,08284
0,13709
0,10708
0,12447
0,12447
0,07520
0,08928
0,10469
0,11224
0,09714
0,07331
0,11763
0,08732
0,14466

Tabel 3. Analisis Warna HSI

No

Sampel

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

Tomat 1
Tomat 2
Tomat 3
Tomat 4
Tomat 5
Tomat 6
Tomat 7
Tomat 8
Tomat 9
Tomat 10
Tomat 11
Tomat 12
Tomat 13
Tomat 14
Tomat 15
Tomat 16
Tomat 17
Tomat 18
Tomat 19
Tomat 20
Tomat 21
Tomat 22
Tomat 23
Tomat 24
Tomat 25
Tomat 26
Tomat 27
Tomat 28
Tomat 29
Tomat 30

35,381
32,770
29,546
32,657
40,153
45,032
55,169
36,215
45,737
37,126
45,737
49,294
43,229
39,554
48,233
57,898
33,239
63,372
48,819
53,984
53,984
29,287
35,113
42,441
48,787
44,140
28,099
49,557
41,063
46,251

0,757
0,745
0,781
0,750
0,736
0,675
0,685
0,756
0,674
0,739
0,700
0,692
0,692
0,707
0,708
0,662
0,764
0,616
0,703
0,644
0,644
0,788
0,746
0,704
0,688
0,727
0,793
0,666
0,759
0,701

52
49
49
52
52
50
51
50
50
47
56
51
51
51
52
59
49
58
50
54
54
49
46
49
48
54
52
51
49
55