No.31c KKP3T Roni Laporan Akhir RGB

I. PENDAHULUAN 1.1.
Latar Belakang Indonesia yang termasuk negara tropis masih mendominasi pasaran manggis di dunia bersama Thailand dan Malaysia. Berdasarkan data dari Departemen Pertanian (2004), neraca perdagangan untuk komoditi manggis cenderung mengalami peningkatan, walaupun pada tahun 2004 terjadi penurunan yang cukup banyak yang disebabkan adanya hambatan dalam produksi sebagai pengaruh perubahan iklim dimana kondisi untuk produksi manggis menjadi terganggu. Nilai perdagangan komoditi ini berdasarkan Tabel 1.1. dinilai cukup memberi arti bagi devisa negara apalagi bila dikaitkan dengan upaya Indonesia untuk menggalakkan sektor pertanian sebagai sektor andalan ekspor disamping ekspor minyak dan gas bumi.
Tabel 1.1. Neraca Perdagangan Komoditi Manggis Tahun 1999 2004

1999 vol (kg) ekspor impor neraca nilai (US$) ekspor impor neraca Sumber: BPS, 4.743.493 114 4.743.379 2000 7.182.098 7.182.098 2001 4.868.528 534 4.867.994 3.953.234 606 3.952.628 2002 6.512.423 1.387 6.511.036 6.956.915 1.644 6.955.271 2003 9.304.511 9.304.511 9.306.042 9.306.042 2004 3.045.379 295 3.045.084 3.291.855 202 3.291.653
3.887.816 5.885.038 236 3.887.580 5.885.038 data diolah (2004).
Kegiatan pasca panen erat kaitannya dengan mutu produk yang dihasilkan, yang pada akhirnya menentukan pula harga jual yang dapat diterima oleh petani. Selama ini petani kebanyakan menjual manggis dalam bentuk segar dengan cara penanganan pasca panen yang masih terbatas, sehingga umur konsumsinya menjadi terbatas. Pengamatan di lapangan menunjukkan bahwa Eksportir memiliki teknologi pasca panen buah manggis yang sangat baik, dimana mereka dapat mempertahankan tingkat kesegaran manggis dengan menggunakan formula bahan pengawet buah / tangkai buah dan penggunaan ruang pendingin untuk memperpanjang umur simpan buah. Disamping itu eksportir atau pedagang besar biasanya memiliki metode sortasi dan grading mutu manggis yang jauh lebih baik daripada petani, sehingga mereka memiliki daya saing produk manggis di pasaran yang jauh lebih baik dari pada petani. Dengan demikian eksportir memiliki kemampuan untuk menentukan kapan pemenuhan supply & demand pasar dapat dilakukan karena penguasan teknologi pasca panen ini.
Manggis (Garcinnia mangostana Linn.) merupakan salah satu komoditas buah eksotik Indonesia, sehingga kalau ditangani dengan baik, buah ini akan menjadi primadona ekspor andalan Indonesia sebagai komoditas yang dapat diandalkan sebagai penghasil devisa. Salah satu cara meningkatkan nilai ekonomis manggis terutama untuk pasar ekspor adalah dengan melakukan sortasi sebelum buah dikirim atau dijual. Sortasi adalah pemisahan bahan yang sudah dibersihkan ke dalam berbagai fraksi berdasarkan karakteristik fisik (kadar air, bentuk, ukuran berat, jenis, tekstur, warna, benda asing/kotoran), kimia (komposisi bahan bau dan rasa ketengikan) dan konsisi biologisnya (jenis dan kerusakan oleh serangga jumlah mikroba dan daya tumbuh khusus untuk benih (Sudaryanto Zain dkk., 2005). Sortasi secara umum bertujuan menentukan klasifikasi komoditas berdasarkan mutu sejenis yang terdapat dalam komoditas itu sendiri. Mutu buah manggis ditentukan oleh berbagai parameter diantaranya adalah parameter tingkat ketuaan dan kematangan (indeks warna) serta ukuran (Ana Nurhasanah dkk. 2006). Umumnya. sortasi dilakukan dengan dua cara, yaitu manual (menggunakan indera manusia) dan mekanis (menggunakan alat atau mesin). Sortasi yang dilakukan secara manual adalah sortasi yang berdasarkan warna dan kerusakan. Sedangkan yang didasarkan pada ukuran dan berat biasanya dilakukan secara mekanis. Banyak kelemahan yang dimiliki manusia manakala manusia melakukan tugas-tugas sensorik dalam kapasitas yang besar dan waktu kerja yang lama. Untuk mengetasi keterbatasan tersebut digunakan pendekatan mekanis dengan teknologi otomatisasi agar lebih efektif dan efisien. Penggunaan tenaga manusia (manual) sebagai penentu tingkat kematangan berdasarkan warna memiliki beberapa kekurangan antara lain penilaian manusia yang bersifat subyektif terhadap tingkat kematangan buah manggis. Penilaian manusia dapat berbeda dari satu penilai dengan penilai lainnya. Seorang Penilai A bisa mengatakan bahwa buah manggis yang dinilai telah memasuki tahap 4 dimana warna kulit buah merah keunguan akan tetapi Penilai B bisa mengatakan bahwa buah manggis tersebut telah memasuki tahap 5 dimana warna kulit buah manggis ungu kemerahan. Kesalahan penggolongan tingkat kematangan manggis bisa merugikan produsen atau penjual dimana tingkat kematangan tahap 4 merupakan buah untuk tujuan ekspor sedangkan tingkat kematangan tahap 5 merupakan buah untuk tujuan domestik. Jika buah manggis untuk tujuan domestik (tahap 5) dikirim untuk diekspor, maka ketika buah manggis masih dalam perjalanan ke negara tujuan buah manggis akan dalam kondisi busuk. Buah manggis yang busuk tidak akan diterima di pasar Internasional. Sehingga diperlukan para penilai yang telah
berpengalaman untuk dapat mengenali tingkat kematangan buah manggis dengan tepat sesuai dengan tahapan kematangan buah yang dimilikinya. Menurut Raji dan Alamutu (2005), otomatisasi merupakan suatu aksi yang dibutuhkan untuk mengendalikan proses agar diperoleh efisiensi yang optimum dengan dikendalikan oleh suatu sistem yang beroperasi dengan menggunakan instruksi tertentu dan diprogram untuk menjalankan serangkan aktivitas sesuai dengan yang diharapkan. Otomatisasi pada kebanyakan kasus akan menjadikan proses lebih cepat dan tepat dibandingkan tenaga manusia. Alternatif baru dalam penentuan mutu buah manggis berdasarkan tingkat kematangan adalah melalui interpretasi suatu citra dengan bantuan peranti komputer (software dan hardware) dengan terlebih dahulu mengambil citra buah manggis dengan suatu alat perekam atau kamera.
Software yang dimaksud adalah suatu software aplikasi yang membantu untuk dapat menetukan
tingkat kematangan buah manggis. Interpretasi citra merupakan perbuatan mengkaji foto udara atau citra dengan maksud untuk mengidentifikasi obyek dan menilai arti pentingnya obyek tersebut (Estes dan Simonett. 1975 dalam Cut Meurah, 2007). Citra dapat diartikan sebagai gambaran yang tampak dari suatu obyek yang sedang diamati sebagai hasil liputan atau rekaman suatu alat pemantau. Menurut Hornby (1974) Citra adalah gambaran yang terekam oleh kamera atau alat sensor lain. Hasil penilaian tingkat kematangan buah manggis oleh software aplikasi akan bersifat objektif. Dengan aplikasi ini pula proses penilaian nantinya bisa dilakukan secara terus-menerus (kontinyu) tidak seperti menggunakan cara manual (tenaga manusia) dimana manusia secara fitrahnya butuh istirahat. Selain itu, dengan software aplikasi komputer ini diharapkan dapat menentukan tingkat kematangan manggis dengan tepat mendekati atau sama dengan hasil penilaian dari Penilai Mutu Kematangan yang telah berpengalaman. Diharapkan dengan penelitian Perancangan Piranti Lunak untuk Menentukan Tingkat Kematangan Manggis Dengan Metode Interpretasi Citra ini akan dapat menghasilkan suatu
software aplikasi yang nantinya dapat menjadi salah satu komponen utama dalam sistem yang
dapat mensortasi otomatis komoditas manggis (atau buah lain) berdasarkan warna. Dengan adanya sistem penentu tingkat kematangan yang berkualitas diharapkan dapat meningkatkan citra mutu komoditas manggis Indonesia di mata internasional sehingga nilai ekspor dan atau penjualan manggis di pasar domestik Indonesia pun akan meningkat. Beberapa penelitian tentang pengolahan citra untuk berbagai buah-buahan telaha banyak dilakukan, tidak terkecuali juga buah manggis, namun dalam implementasinya, interpretasi kematangan buah yang dimaksud belum memasukkan unsur standarisasi kematangan buah yang telah ditetapkan oleh Departemen Pertanian sebagaimana tercantum dalam Standar Prosedur Operasi (SPO) manggis yang ada saat ini, sehingga penelitian yang dilakukan saat ini lebih 3
menenkankan kepada upaya justifikasi kematangan buah manggis yang sesuai dengan SPO yang ada.
1.2. Pokok Permasalahan Penelitian Beberapa pokok permasalahan yang terkait dengan latar belakang penelitian ini adalah sebagai berikut : 1. Penilaian manusia yang bersifat subyektif terhadap tingkat kematangan buah manggis menyebabkan penilaian tingkat kematangan manggis berbeda dari satu penilai dengan penilai yang lainnya sehingga diperlukan standardisasi kematangan buah manggis yang konsisten. 2. Bagaimanakah kelayakan penggunaan pendekatan metode pencitraan dengan fitur warna RGB untuk mengidentifikasi kematangan buah manggis sehingga dapat dijadikan dasar untuk klasifikasi mutu berdasarkan tingkat kematangan buah. Dengan demikian lebih jauh bila dikaitkan dengan indeks panen (harvest indice) buah manggis akan menunjang pada proses standarisasi buah untuk pemasaran manggis di pasar lokal dan global.
1.3. Tujuan Penelitian Penelitian ini bertujuan untuk : 1. Mengatasi kerancuan dalam penilaian klasifikasi buah manggis dalam rangka penetapan mutu kematangan buah manggis akibat perbedaan persepsi para Penilai (operator sortir). 2. Mendapatkan metode pengklasifikasian buah manggis dengan acuan citra fitur warna RGB yang dihasilkan melalui kamera pemindai yang lebih objektif. Sehingga bermanfaat pada proses sortasi dan kendali mutu buah manggis baik pada tingkat petani maupun eksportir. 3. Membuat model klasifikasi kematangan buah manggis dengan menggunakan alat bantu piranti lunak yang mampu mengenali tingkat warna yang terdapat pada citra buah manggis berdasarkan fitur warna RGB yang dihasilkan dan sesuai dengan indeks panen buah menurut tingkat kematangannya sebagaimana yang ditetapkan dalam Standar Prosedur Operasional Komoditas Manggis (Departemen Pertanian, 2004). 4. Dalam jangka panjang diharapkan diperoleh suatu instrumen dan peralatan/mesin sortasi dan kendali mutu buah manggis yang efektif dan efisien sehingga bermanfaat baik secara teknis maupun ekonomis bagi perkembangan pembangunan pertanian.
1.4. Keluaran Penelitian 1.4.1. Keluaran Tahun Berjalan Keluaran untuk tahun berjalan (2007) dari hasil penelitian ini adalah : 1. Kelayakan metode pengolah citra berbasis fitur warna RGB untuk klasifikasi mutu buah manggis 2. Piranti lunak pendukung proses pengolahan citra fitur warna RGB 3. Kelayakan ekonomi sistem yang dirancang sehingga memudahkan untuk proses komersialisasi di masa datang manakala hasil penelitian ini layak secara teknis maupun ekonomi. 4. Publikasi hasil penelitian pada jurnal ilmiah, baik nasional maupun internasional 1.4.2. Keluaran Jangka Panjang
Apabila penelitian ini layak untuk ditindak lanjuti, diharapkan dalam jangka panjang akan diperoleh keluaran berupa model fisik rancangan sistem instrumen dan peralatan yang diharapkan dapat siap diterapkan untuk skala komersial, mengingat isntrumen / peralatan untuk klasifikasi dan kendali mutu buah manggis saat ini belum ada di pasaran. Dengan demikian hasil penelitian ini potensial untuk mendapat paten ataupun paten sederhana Secara umum penelitian ini berkaitan dengan pengembangan metodologi dalam menunjang teknologi proses identifikasi dan klasifikasi buah manggis berdasarkan warna yang selama ini belum dilakukan penelitian baik di dalam maupun di luar negeri. Hal ini disebabkan karena beberapa hal. yaitu : 1. Buah manggis merupakan buah tropika yang hanya tumbuh berkembang terutama di daerah tropis. Sehingga penelitian budidaya dan pasca panen komoditas ini terbatas pada negara yang menghasilkannya. 2. Budidaya manggis pada tingkat petani di Indonesia belum diikuti dengan penanganan pasca panen yang baik sehingga harga jual buah segar pada tingkat petani rendah. 3. Salah satu kegiatan pasca panen manggis yang paling mendasar untuk dilakukan pada tingkat petani, sesuai dengan apa yang terdapat pada Standar Prosedur Operasi pasca panen buah manggis adalah sortasi dan penentuan mutu buah menurut klasifikasi tertentu, terutama berat, diameter buah dan warna buah. Keterkaitan antara standarisasi produk dengan mutu dan penerimaan produk di mata konsumen adalah sebagai berikut :
Standarisasi Produk
Efisiensi Proses Pengolahan
Efektivitas Pengolahan
Mutu Produk
Penerimaan Produk di Mata Konsumen
Gambar 1.1. Hubungan Standarisasi. Mutu Produk dan Penerimaan Produk di Mata Konsumen
4. Mengingat saat ini proses klasifikasi dilakukan secara manual dan kasat mata. pada akhirnya berdampak pada ketidak konsistenan dalam penetapan standar produk yang pada gilirannya keseragaman mutu produk tidak terjamin. 5. Dengan adanya pengembangan metode pengklasifikasian buah manggis berdasarkan warna diharapkan akan memberikan nilai tambah berupa standarisasi warna buah manggis yang dapat dijadikan dasar untuk waktu optimum pemanenan dan penanganan buah sebelum di pasarkan. Klasifikasi berdasarkan warna ini akan membantu memudahkan pada proses penetapan mutu produk selanjutnya terutama menurut ukuran diameternya. Klasifikasi buahbuahan pada dasarnya dapat dilakukan berdasarkan beberapa besaran fisik dan kimia sebagaimana pada gambar berikut :
KLASIFIKASI PRODUK
Berat
Ukuran Dimensi
Warna
Rasa
Sifat Fisik / Kimia Lainnya
STANDARISASI PRODUK
MUTU PRODUK
Gambar 1.2. Klasifikasi Produk Pertanian dalam Kaitannya dengan Standarisasi dan Mutu
6. Kegiatan klasifikasi buah manggis yang telah banyak dilakukan oleh petani berdasarkan gambaran di atas baru sebatas berdasarkan berat dan ukuran dimensinya saja. sehingga pengembangan metode pengklasifikasian berdasarkan warna akan memberikan informasi penting bagi perancangan instrumen dan peralatan / mesin sortasi dan kendali mutu buah manggis yang lebih efektif dan efisien di masa yang akan datang. 7. Hasil dari penelitian ini memiliki sasaran strategis yang berkesesuaian dengan program prioritas dari Balai Besar Penelitian dan Pengembangan Pasca Panen Pertanian, yakni program pengembangan teknologi pengolahan untuk meningkatkan efisiensi pengolahan dan mutu produk pertanian.
II. TINJAUAN PUSTAKA 2.1. Manggis ( Garcinia mangostana L. ) Manggis merupakan tanaman buah berupa pohon yang berasal dari hutan tropis yang teduh di kawasan Asia Tenggara. yaitu hutan belantara Malaysia atau Indonesia. Dari Asia Tenggara, tanaman ini menyebar ke daerah Amerika Tengah dan daerah tropis lainnya seperti Srilanka, Malagasi, Karibia, Hawaii dan Australia Utara. Di Indonesia manggis disebut dengan berbagai macam nama lokal seperti manggu (Jawa Barat), Manggus (Lampung), Manggusto (Sulawesi Utara), Manggista (Sumatera Barat). Buah manggis dapat disajikan dalam bentuk segar. sebagai buah kaleng. dibuat sirop/sari buah. Secara tradisional buah manggis adalah obat sariawan. wasir dan luka. Kulit buah dimanfaatkan sebagai pewarna termasuk untuk tekstil dan air rebusannya dimanfaatkan sebagai obat tradisional. Batang pohon dipakai sebagai bahan bangunan. kayu bakar/ kerajinan. Manggis (Garcinnia mangostana Linn.) merupakan salah satu komoditas buah eksotik Indonesia sebagai promadona ekspor yang menjadi andalan Indonesia untuk meningkat pendapatan devisa. Berdasarkan data. volume ekspor manggis Indonesia dari tiga tahun terakhir terus mengalami peningkatan dari 6.9 ribu ton pada tahun 2002 meningkat menjadi 7.2 ribu ton pada tahun 2003. Dengan pangsa pasar utama adalah Taiwan dan Hongkong (Departemen Pertanian, 2004). Tanaman ini hanya dapat tumbuh baik pada daerah beriklim tropis (ultra-tropical) dengan ketinggian < 450 m di atas permukaan laut. Pada daerah bertemperatur di bawah 4,44o C dan di atas 37,78o C tanaman ini tidak dapat tumbuh. Pembibitan pada suhu 7,22o C dapat mengakibatkan kematian benih/bibit. Buah manggis termasuk buah musiman, masa panen biasanya terjadi pada bulan Maret hingga Juli setiap tahunnya. Sentra produksi manggis di Indonesia antara lain di Jawa Barat, Jawa Tengah, Jawa Timur, Lampung, Sumatera Barat dan Nagroe Aceh Darussalam. Buah manggis ini juga termasuk buah klimakterik, karena cepat mengalami pembusukan atau kerusakan terutama yang disebabkan oleh kerusakan fisiologis. Pemetikan buah manggis tidak dilakukan bersamaan untuk setiap pohon. Pemetikan dilakukan secara manual dan selektif yaitu terhadap kulit buah yang telah berwarna merahkecoklatan, merah-keunguan atau ungu-kecoklatan. Warna kulit manggis ungu-kecoklatan dipetik apabila tujuan pasar adalah dalam negeri atau lokal. Buah manggis berbentuk bulat, terdiri dari bagian perikarp (kulit luar) dan daging buah yang menyelimuti biji. Daging buah berwarna putih susu. Pada bagian pangkal buah terdapat calyx (daun buah) dan pada bagian ujung terdapat 4 8 tonjolan berbentuk segitiga (triangle). Diameter buah berkisar antara 3,4 7,5 cm. Pada bagian luar perikarp sering didapati/menempel 8
getah kering berwarna kuning dan ungu. Jumlah daging buah dicirikan dengan jumlah triangle. Biji buah kadang-kadang tidak seluruhnya didapati pada daging buah. Daging buah ini berukuran panjang 2,5 cm dan lebar 1,6 cm, berbentuk oval. Pada buah berumur muda daging buah berasa asam, semakin matang berasa manis. Komposisi buah manggis per 100 gram bagian yang dapat dimakan dapat dilihat pada Tabel 2.1. Tabel 2.1. Komposisi Buah Manggis per 100 gram bagian yang dapat dimakan. Komponen Kalori (Kal) Air (g) Protein (g) Lemak (g) Karbohidrat (g) Gula Total (sukrosa, glukosa, fruktosa) (g) Serat kasar (g) Abu (g) Kalsium (mg) Posfor (mg) Besi (mg) Thiamin (mg) Vitamin C (asam askorbat) (mg) Sumber : Morton, J. 1987. Dari Tabel 2.1. di atas, buah manggis termasuk rendah kalori, protein dan lemak dan vitamin, namun jumlah seratnya termasuk cukup tinggi. Kadar gula total (sukrosa, glukosa, fruktosa) sebesar 16,42 16,82 % dari total karbohidrat. Selain senyawa-senyawa di atas, terdapat pula senyawa tanin dan resin sebesar 7 14 %, polyhydroxy-xanthone, dan mangostin. Pada buah matang penuh terkandung senyawa xanthone, gartannin, 8-disoxygartanin dan normangostin yang bersifat antioksidan. Pada bagian perikarp terdapat senyawa xanthone dan tannin yang bersifat antimikroba. Untuk mempertahankan kualitas, penyimpanan buah manggis dilakukan pada kondisi kering, dingin dan tertutup. Kondisi tersebut dapat mempertahankan kualitas selama 20 25 hari. Pada suhu kamar hanya dapat bertahan paling lama 14 hari. Penyimpanan pada suhu 4,44 12,78o C dapat mempertahankan kesegaran buah manggis selama 3 4 minggu. Penyimpanan Jumlah 60 63 80,2 84,9 0,50 0,60 0,1 0,6 14,3 15,6 16,42 16,82 5,0 5,1 0,2 0,23 0,01 8,0 0,02 12,0 0,20 0,80 0,03 1,0 2,0
pada suhu 3,89 5,56o C dengan kelembaban 85 90 % dapat mempertahankan kualitas hingga 49 hari. Mutu buah manggis ditentukan oleh berbagai parameter diantaranya adalah parameter tingkat ketuaan dan kematangan (indeks warna) serta ukuran (Ana Nurhasanah dkk., 2006). Sedangkan tingkat kematangan manggis berdasarkan indeks warna berdasarkan Standar Prosedur Operasional komoditas manggis dapat dilihat pada Tabel 2.2.
Tabel 2.2. Tingkat Kematangan Buah Manggis Berdasarkan Indek/Tahapan Gambar Ciri warna buah kuning kehijauan. kulit buah masih banyak mengandung getah dan buah belum siap dipetik. Warna kulit buah hijau kekuningan, buah belum tua dan getah masih banyak. Isi buah masih sulit dipisahkan dari daging. Buah belum siap dipanen. Warna kulit buah kuning kemerahan dengan bercak merah hampir merata. Buah hamper tua dan getah mulai berkurang. Isi buah masih sulit dipisahkan dari daging. Warna kulit buah merah kecoklatan. Kulit buah masih bergetah. Isi buah sudah dapat dipisahkan dari daging kulit. Buah disarankan dapat dipetik untuk tujuan ekspor. Warna kulit buah merah keunguan. Kulit buah masih sedikit bergetah. Isi buah sudah dapat dipisahkan dari daging kulit dan buah dapat dikonsumsi. Buah dapat dipetik untuk tujuan ekspor. Warna kulit buah ungu kemerahan. Buah mulai masak dan siap dikonsumsi. Getah telah hilang dan isi buah mudah dilepaskan. Buah lebih sesuai untuk pasar domestik. Warna kulit buah ungu kehitaman. Buah sudah masak. Buah sesuai untuk pasar domestik dan siap saji. Sumber: Departemen Pertanian (2004)
2.2. Interpretasi Citra Menurut definisi yang dikemukakan Idhawati (2007), Citra, dari sudut pandang matematis,
merupakan fungsi menerus (continue) dari intensitas cahaya pada bidang 2 dimensi. Citra yang
terlihat merupakan cahaya yang direfleksikan dari sebuah objek. Sumber cahaya menerangi objek, objek memantulkan kembali sebagian dari berkas cahaya tersebut dan pantulan cahaya ditangkap oleh alat-alat optik, misal mata manusia, kamera, scanner, sensor satelit, dsb, kemudian direkam.
10
Istilah lain yang muncul dari citra adalah Pencitraan (imaging) yakni merupakan kegiatan mengubah informasi dari citra tampak/citra non digital menjadi citra digital. Beberapa alat yang dapat digunakan untuk pencitraan adalah : scanner, kamera digital, kamera sinar-x/sinar infra merah, dll. Untuk memperbaiki kualitas citra agar mudah diinterpretasikan oleh manusia/mesin atau komputer dilakukan proses pengolahan citra. Selengkapnya tahapan pencitraan hingga manfaat akhirnya dapat dilihat pada gambar berikut.
Gambar 2.1. Tahapan Pencitraan, Pengolahan Citra dan Analisis Citra

Sumber : Idhawati (2007)
Selanjutnya Idhawati (2007) mengemukakan bahwa operasi-operasi pada pengolahan citra perlu diterapkan apabila : 1. Perbaikan atau memodifikasi citra dilakukan untuk meningkatkan kualitas penampakan citra/menonjolkan beberapa aspek informasi yang terkandung dalam citra (image
enhancement) contoh : perbaikan kontras gelap/terang, perbaikan tepian objek,

penajaman, pemberian warna semu, dll 2. Adanya cacat pada citra sehingga perlu dihilangkan/diminimumkan (image restoration) contoh : penghilangan kesamaran (debluring) citra tampak kabur karena pengaturan fokus lensa tidak tepat / kamera goyang, penghilangan noise 3. Elemen dalam citra perlu dikelompokkan, dicocokan atau diukur (image segmentation). Operasi ini berkaitan erat dengan pengenalan pola. 4. Diperlukannya ekstraksi ciri-ciri tertentu yang dimiliki citra untuk membantu dalam pengidentifikasian objek (image analysis). Proses segementasi kadangkala diperlukan untuk melokalisasi objek yang diinginkan dari sekelilingnya. Contoh : pendeteksian tepi objek 5. Sebagian citra perlu digabung dengan bagian citra yang lain (image reconstruction). Contoh : beberapa foto rontgen digunakan untuk membentuk ulang gambar organ tubuh 6. Citra perlu dimampatkan (image compression), contoh : suatu file citra berbentuk BMP berukuran 258 KB dimampatkan dengan metode JPEG menjadi berukuran 49 KB 7. Menyembunyikan data rahasia (berupa teks/citra) pada citra sehingga keberadaan data rahasia tersebut tidak diketahui orang (steganografi & watermarking) 11
Gambar 2.2. Contoh Operasi Pengolahan Citra untuk Pendeteksian tepi Objek
Sumber : Idhawati (2007)
Pengolahan citra pada dasarnya erat kaitannya dengan pengolahan warna, dimana warna adalah merupakan sifat cahaya yang ditentukan oleh panjang gelombang (atau berdasarkan kandungannya sebagai paduan beberapa panjang gelombang). Panjang gelombang nampak untuk cahaya dikenal dengan spektrum nampak atau dapat disebut spektrum saja. Istilah warna bisa juga merujuk kepada sifat objek-objek atau bahan-bahan yang ditentukan oleh jenis panjang gelombang yang dipantul dihantar atau dipancar. Karena persepsi warna berasal dari kepekaan sel dalam retina yang berbeda-beda terhadap bagian-bagian spektrum yang berlainan. warna bisa ditakrifkan melalui tahap perangsangan sel-sel itu oleh panjang gelombang cahaya. Warna merupakan faktor penting dalam proses identifikasi suatu objek. Menurut Zainul Arham, dkk. (2004), persepsi warna dalam pengolahan citra tergantung pada tiga faktor, yaitu:
spectral reflectance (menentukan bagaimana suatu permukaan memantulkan warna), spectral content (kandungan warna dari cahaya yang menyinari permukaan) dan spectral response
(kemampuan merespon warna dari sensor dalam imaging system). Selanjutnya dikemukakan pula bahwa ada beberapa model warna yang dapat digunakan sebagai dasar pengidentifikasian tersebut, yaitu : model warna RGB (Red Green Blue), CMY(K) (Cyan, Magenta, Yellow), YcbCr (Luminasie dan dua komponen krominasi Cb dan Cr) dan HSI (Hue, Saturation, Intensity). Ana Nurhasanah, dkk.(2006), menggunakan pendekatan pengolahan citra dan jaringan syaraf tiruan untuk menentukan cara sortasi buah manggis tanpa merusak buah (non destructive
test) berdasarkan tingkat ketuaan dan tingkat kematangannya. Pengolahan citra yang
dikembangkan dalam hal ini mengacu pada umur petik dan warna buah yang ditampilkan. Metode yang digunakan menekankan kepada parameter hasil pengolahan citra sebagai data masukan seperti area, hue, saturasi, intensitas, kontras, homogenitas, entropi dan energi dengan tingkat keakuratan penentuan ketuaan dan kematangan buah manggis hingga 93,7%.
12
Kendala
dalam
interpretasi
citra
secara
otomatis
adalah
subjektifitas
dalam
menginterpretasi citra. Salah satu kelemahan ini telah dicoba dikurangi dengan berbagai metode salah satunya yang dikembangkan oleh Muhammad Ramdhan (2006), yakni dengan metode pendekatan fuzzy logic yang digunakan untuk tujuan pengklasifikasian terutama untuk proses pengideraan jarak jauh. Menurut Este dan Simonett (1975) dalam Cut Meurah (2007), Interpretasi citra merupakan perbuatan mengkaji foto udara atau suatu citra dengan maksud untuk mengidentifikasi obyek dan menilai arti pentingnya obyek tersebut. Pada dasarnya interpretasi citra terdiri dari dua kegiatan utama. yaitu perekaman data dari citra dan penggunaan data tersebut untuk tujuan tertentu. Untuk penelitian murni, kajiannya diarahkan pada penyusunan teori dan analisisnya digunakan untuk penginderaan jauh. Sedangkan untuk penelitian terapan, data yang diperoleh dari citra digunakan untuk analisis dalam bidang tertentu. Dalam menginterpretasi citra, pengenalan obyek merupakan bagian yang sangat penting. Karena tanpa pengenalan identitas dan jenis obyek. maka obyek yang tergambar pada citra tidak mungkin dianalisis. Prinsip pengenalan obyek pada citra didasarkan pada penyelidikkan karakteristiknya pada citra. Karakteristik yang tergambar pada citra dan digunakan untuk mengenali obyek disebut unsur interpretasi citra.
2.3. Interpretasi Citra dengan Piranti Lunak Komputer Citra yang digunakan dalam penelitian pengembangan aplikasi interpretasi citra seringkali menggunakan bahasa pemograman komputer baik bahasa tingkat tinggi (advance language tool
programming) maupun bahasa tingkat rendah (assembler).

Menurut Idhawati (2007) sistem perekaman citra dapat dilakukan dengan melalui proses yang dinamakan dengan perekaman citra digital. Citra digital merupakan fungsi intensitas cahaya f(x,y), dimana harga x dan y merupakan koordinat tersebut Disamping itu citra digital merupakan suatu spasial dan harga fungsi pada setiap titik (x,y) merupakan tingkat kecemerlangan citra pada titik tersebut. matriks dimana indeks baris dan kolomnya
menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar / piksel / pixel / picture element / pels) menyatakan tingkat keabuan pada titik tersebut. Terdapat berbagai macam format penyimpanan citra dalam bentuk file untuk memudahkan proses pengolahan citra terutama bila menggunakan perangkat lunak atau software komputer. Format penyimpanan citra digital yang biasa digunakan antara lain seperti : bmp, gif, tif, jpg, pcx dan format lainnya. Format BMP dalam hal ini merupakan format yang membutuhkan kapasitas simpan data yang tinggi sehingga kurang efisien.
13
Selanjutnya Idhawati (2007) mengemukakan bahwa setiap titik (pixel) pada citra warna mewakili warna yang merupakan kombinasi dari tiga warna dasar yaitu merah hijau dan biru atau dikenal dengan istilah citra fitur warna RGB (Red Green Blue). Setiap warna dasar ini mempunyai intensitas sendiri dengan nilai maksimum 255 (8 bit). Dimana Red = warna minimal putih, warna maksimal merah, kemudian Green = warna minimal putih, warna maksimal hijau dan Blue = warna minimal putih, warna maksimal biru. Misal warna kuning yang merupakan kombinasi antara warna merah dan hijau akan memiliki nilai RGB-nya sama dengan [255 255 0]. Kemudian warna ungu muda yang merupakan kombinasi warna merah dan biru sehingga nilai RGB-nya sama dengan [150 0 150]. Dengan demikian, setiap titik pada fitur warna yang ditampilkan akan membutuhkan data sebanyak 3 byte dengan jumlah kemungkinan 24 kombinasi warna 2 atau lebih dari 16 juta warna (sering disebut sebagai true color karena dianggap mencakup semua warna yang ada). Ada banyak piranti lunak komputer yang dapat digunakan untuk proses pengolahan citra diantaranya Mathlab, Visual Basic, Visual C++, Photoshop, Corel Draw dan masih banyak yang lainnya. Masing-masing piranti lunak memiliki kelebihan dan kekurangan, namun salah satu diantaranya memiliki toolbox yang lengkap untuk digunakan sebagai alat bantu dalam pengolahan citra fitur warna suatu objek.
14
III. PROSEDUR KERJA
3.1. Metode Penelitian Penelitian ini menggunakan pendekatan motode deskriptif analitik melalui perancangan piranti lunak (software) pengolah citra fitur warna RGB yang akan digunakan dalam mengidentifikasi pola sebaran warna RGB buah manggis dari mulai tingkat kematangan 0 hingga 6 sesuai dengan Standar Prosedur Operasi (SPO) yang dikeluarkan oleh Departemen Pertanian.
3.2. Waktu dan Tahapan Penelitian Penelitian dilaksanakan dari bulan Juni hingga Oktober 2007 dengan beberapa tahapan sebagai berikut : 1. Penelitian pendahuluan untuk mendapatkan cara pengklasifikasian kematangan buah manggis yang saat ini banyak dilakukan petani di lokasi contoh. Penelitian pendahuluan ini dilaksanakan di Koperasi Arta Mukti. yang merupakan gabungan kelompok tani manggis di kecamatan Puspahiang, Kabupaten Tasikmalaya. 2. Penelitian mengenai rancang piranti lunak pemindai citra fitur warna RGB yang dihasilkan dari contoh buah manggis yang diamati akan dilaksanakan di Laboratorium Sistem & Manajemen Keteknikan Pertanian. Fakultas Teknologi Industri Pertanian. Universitas Padjadjaran. Kampus Unpad Jatinangor-Sumedang. 3. Uji coba sistem dan evaluasi kelayakan sistem yang telah dibuat.
Ikhtisar selengkapnya rancangan penelitian yang telah dilakukan adalah sebagaimana disajikan pada Tabel 3.1.
15
Tabel 3.1. Uraian dan Pentahapan Pelaksanaan Penelitian No. 1 URAIAN Masalah Penelitian TAHAPAN PELAKSANAAN - Penilaian tingkat kematangan manggis dengan cara manual dan kemungkinan kelayakan dengan metode identifikasi fitur warna RGB - Uji kinerja metode pencitraan dengan fitur warna RGB untuk identifikasi kematangan buah manggis sehingga dapat dijadikan dasar untuk klasifikasi mutu berdasarkan tingkat kematangan 1. Model Deskriptif, berupa gambaran : - kinerja & kelayakan - teknis metode - pengolah citra fitur - warna RGB 2. Variabel Penelitian : - Klasifikasi buah cara manual - Klasifikasi menurut citra fitur warna RGB buah yang dipindai - Rancangan piranti lunak pengolah citra fitur warna RGB Observasi / survey dan uji laboratorium Uji Statistik & Validasi Model 1. Kelayakan metode 2. Piranti lunak 3. Analisis ekonomi model sistem Solusi atas standarisasi dan manajemen mutu buah manggis
Model dan Variabel Penelitian
3 4 5 6
Teknik Pengumpulan Data Teknik Pengolahan Data Hasil Analisis dan Interpretasi Data Generalisasi dan Rekomendasi
3.3. Bahan dan Alat Penelitian Bahan dan alat yang digunakan dalam penelitian ini adalah sebagai berikut : 1. Bahan penelitian yang digunakan adalah buah manggis segar yang masih berwarna hijau dengan waktu pemetikan 3 hari setelah panen dari kebun manggis di Puspahiang Tasikmalaya. Jumlah sampel manggis yang diamati adalah sebanyak 76 buah sampel dengan interval waktu perekaman fitur warna RGB objek (manggis) dilakukan tiap hari sampai 11 hari setelah panen. 2. Peralatan yang digunakan untuk proses pengolahan citra buah manggis ini antara lain :
16
a. Kamera Charge Coupled Device (CCD Camera) dengan spesifikasi sebagai berikut : Produsen Tipe/seri Sensor Jumlah Piksel : Telview : ST205 Color CCD Camera : CCD 1/3 inchi. : 500(horizontal) x 582(vertikal) PAL : 0,5 lux : 640 x 480 : 12 Volt DC, 120 mA : 8.0 mm
Pencahayaan Minimum Resolusi Catu Daya Lensa
Gambar 3.1. Kamera CCD yang Digunakan Dalam Penelitian
b. 2 buah lampu PL warna Putih (11 W / 12 V / 50 Hz), dengan spesifikasi sebagai berikut : Produsen Daya : Philips : 11 watt
Jumlah Lampu : 2 buah Jenis Lampu : PL
Jenis Cahaya : Day light, 6500 K
c. Kertas karton putih dan warna hitam d. Perangkat lunak Microsoft Visual Basic Version 6.0 yang dioperasikan pada Microsoft Windows XP Professional.
17
e. Perangkat lunak Visual C++ Version 6.0 sebagai piranti lunak penghubung antara Visual Basic dengan Mathlab dalam menginterpretasikan citra warna RGB f. Perangkat lunak Mathlab 7 Release 14
g. Perangkat lunak Microsoft Office XP Professional
3.4. Prosedur Penelitian Prosedur penelitian ini mengikuti beberapa langkah sebagai berikut : 1. Manggis diletakkan di atas kotak instrument yang tertutup dan diberi pelapis dari kain hitam dengan warna dasar bidang pemotretan adalah warna putih. Pengolahan citra dilakukan melalui kamera CCD dengan jarak rekam 30 cm. Sedangkan lampu yang digunakan untuk sumber penerangan atau pencahayaan kamera tersebut adalah lampu PL-neon warna putih (merk Philips) dengan dilengkapi penyetabil daya (stabilizer). Kamera diletakkan di bagian atas kotak instrument pemindai sebagaimana Gambar 3.2. dengan posisi sudut pencahayaan 45. Posisi lampu dapat diletakkan di atas kotak penyimpanan objek bisa juga disimpan dibagian dalam kotak objek dengan terlebih dahulu memberikan lapisan penyaring atau filter cahaya lampu dari bahan kertas tipis (misal kertas HVS 70 gram) yang dimaksudkan untuk menahan cahaya agar tidak langsung mengarah kepada objek karena dikhawatirkan akan menimbulkan bayangan dan penampakan warna pantul silau pada objek yang direkam. 2. Citra buah manggis yang diletakkan dalam instrument pengolah citra direkam dengan ukuran pixel hasil pencitraan : 640 x 480 piksel dan tingkat intensitas cahaya RGB: 256 3. Citra manggis yang direkam kemudian disimpan dalam file dengan ekstensi JPG dengan kapasitas 19 27 kb. 4. Proses olah digital dari fitur warna RGB tersebut kemudian dilakukan dengan gabungan piranti lunak, Visual Basic, Visual C++ dan Mathlab sedemikian rupa setiap obyek (buah manggis) yang direkam dengan kamera akan dapat ditampilkan nilai RGB nya secara langsung pada layar dan dapat disimpan dalam file berekstensi JPG dan dapat ditransformasi dalam bentuk nilai RGB yang tersimpan dalam file microsoft excel
18
Gambar 3.2. Susunan Peralatan Perekam Citra Fitur Warna RGB dari Objek
5. Data fitur warna RGB yang diperoleh tiap hari hingga hari ke 11 kemudian di analisis dengan menggunakan regresi dan korelasi untuk masing-masing tampilan warna Merah (red), hijau (green) dan biru (blue). Hasil analisis regresi dari data sampel yang memiliki nilai koefisien korelasi ataupun koefisien determinasi yang terbesar (di atas 80%) diambil sebagai acuan untuk menentukan klasifikasi buah manggis menurut warna sebagaimana terdapat pada standar prosedur operasi manggis dari Departemen Pertanian.
19
IV. HASIL DAN PEMBAHASAN 4.1. Rancangan Piranti Lunak Pengolah Citra Fitur Warna RGB Untuk mendapatkan suatu rancangan piranti lunak yang dapat mengolah fitur warna RGB diperlukan serangkaian instruksi yang memuat prosedur dengan urutan tertentu yang dapat diimplementasikan dengan menggunakan apa yang dinamakan dengan bahasa pemrograman komputer. Bahasa pemrograman dalam hal ini berfungsi sebagai media untuk menyusun dan memahami serta sebagai alat komunikasi antara pemrograman dengan komputer itu sendiri, yang dalam implementasinya terdiri dari beberapa kelompok bahasa (Sutedjo, 2000), antara lain seperti : a. Bahasa tingkat rendah (Low Level Language) Yaitu Bahasa pemrograman yang berorientasi pada mesin, dimana programmer harus dapat berfikir berdasarkan logika mesin komputer. Contoh dari bahasa tingkat rendah adalah bahasa Assembly (Assembler). b. Bahasa tingkat menengah (Middle Level Language) Yaitu bahasa pemrograman yang menggunakan aturan aturan gramatikal dalam penulisan ekspresi atau pernyataan dengan standar bahasa yang mudah dipahami oleh manusia serta memiliki instruksi instruksi tertentu yang dapat langsung dapat diakses oleh komputer. Contoh dari bahasa tingkat menengah adalah Bahasa C. c. Bahasa tingkat tinggi (High Level Language) Yaitu bahasa pemrograman yang memiliki aturan aturan gramatikal dalam penulisan ekspresi atau pernyataan dengan standar bahasa yang dapat dipahami secara langsung oleh manusia. Contohnya adalah bahasa Pascal, Fortran, Cobol, Power Basic, dan lain lain. d. Bahasa berorientasi objek (Object Oriented Language) Yaitu bahasa pemrograman yang mengandung paket yang berisi fungsi fungsi untuk penyelesaian suatu masalah. Pada bahasa ini pemrogram tidak lagi harus menuliskan secara detail semua pernyataan dan ekspresi seperti bahasa tingkat tinggi melainkan cukup dengan memasukan kriteria kriteria yang dikehendaki saja. Bahasa ini kemudian akan menggunakan paket paket tersebut untuk memecahkan permasalahan itu. Contoh bahasa pada tingkat ini adalah bahasa C++, Visual FoxPro, Visual Basic, Borland Delphi, Java. Pada perancangan piranti lunak untuk mengolah citra warna dari buah manggis pada penelitian ini digunakan bahasa yang berorientasi objek agar prosesnya lebih mudah dan sederhana. 20
Langkah-langkah sistematis yang ditempuh dalam hal ini adalah sebagai berikut : 1. Mendefinisikan permasalahan umum yang harus dipecahkan 2. Menentukan langkah pemecahan masalah berdasarkan data warna RGB yang dihasilkan 3. Membuat standar klasifikasi warna buah menurut acuan dasar yang telah ada 4. Merekam data citra warna buah dengan menggunakan kamera CCD 5. Mengolah citra warna ke dalam kelompok bagian warna Merah, Hijau dan Biru (Red, Green, Blue atau RGB) 6. Mengumpulkan sampel data warna RGB untuk kemudian merata-ratakan tiap komponen warna menurut hari pengamatan. Pengamatan dalam hal ini dilakukan selama 9 hari setelah buah manggis yang dijadikan sampel tersebut dipanen. Sampel yang diperoleh dalam penelitian ini telah berumur 2 hari setelah petik, sehingga waktu pengamatan kematangan buah sebenarnya dimulai dari hari ke 3 hingga ke 11 setelah petik. 7. Data rata-rata harian untuk tiap warna RGB kemudian dianalisis dengan menggunakan regresi dan korelasi untuk melihat keeratan hubungan diantara komponen warna R, Gdan B tersebut, untuk kemudian dipilih komponen warna yang paling besar nilai koefisien korelasi atau koefisien determinasinya (r atau R2 nya). 8. Menentukan komponen warna yang paling dominan dan paling besar koefisien korelasi atau koefisien determinasinya untuk memprediksi umur kematangan buah manggis sejak dipetik 9. Menyajikan nilai prediksi umur kematangan menurut kelas Standar Prosedur Operasi manggis yang ada Hasil tampilan antar muka piranti lunak yang telah dibuat adalah sebagaimana disajikan pada gambar berikut.
Gambar 4.1. Tampilan Antar Muka Perintah Merekam Citra Warna Buah
21
Pada bagian antar muka (menu) pilihan proses dalam piranti lunak yang dirancang terdapat beberapa perintah dasar yaitu : 1. Menjalankan atau memberhentikan kamera (on off camera) 2. Perintah merekam gambar citra objek yang diamati 3. Perintah menyimpan citra warna RGB yang telah direkam 4. Perintah mengolah citra warna RGB dari objek 5. Perintah keluar dari program
Pada saat kamera sudah dihidupkan, kemudian objek yang diamati telah disimpan di depan kamera terlebih dahulu dilakukan kalibrasi warna latar objek untuk memberikan hasil pencitraan yang terbaik dan bayangan yang sekecil mungkin. Program yang dibuat dalam hal ini telah dapat mengeleminasi kemungkinan adanya pengaruh bayangan tersebut. Setelah objek direkam dan diolah citra akan diperoleh nilai RGB, standar kematangan dan umur kematangan buah yang diamati (Gambar 4.2.). Data hasil proses pengolahan citra kemudian dapat disimpan dalam folder file tertentu sesuai yang diinginkan.
Gambar 4.2. Elemen Perintah dan Hasil Proses Pencitraan
22
Piranti lunak yang dibuat juga dilengkapi fasilitas untuk mengolah data citra manggis yang telah direkam sebelum (proses pengolahan citra dengan data gambar yang telah terekam sebelumnya). Hasil pengolahan citra warna dari data gambar ke tampilan nilai RGB pada menu perintah ini sama dengan hasil olah citra pada menu sebelumnya. Tampilan antar muka untuk proses olah data citra yang telah ada tersebut adalah sebagai berikut.
Gambar 4.3. Tampilan Pengolah Data Sebelum data Dimasukkan
Gambar 4.4. Tampilan Pengolah Data Saat Pengambilan Data Dilakukan
23
Gambar 4.5. Tampilan Pengolah Data Saat Data Gambar Telah Masuk
Gambar 4.6. Tampilan Pengolah Data Setelah Olah File Citra Dilakukan Pada bagian akhir tampilan pengolah data akan muncul informasi berkaitan dengan nilai RGB dari citra yang ditangkap, tahap kelas kematangan dan umur kematangan diukur setelah panen (setelah buah dipetik). Mengenai struktur program yang dibuat selanjutnya dapat dilihat pada lampiran.
24
4.2. Proses Identifikasi Kematangan Buah Manggis Sebagai Dasar Perancangan Piranti Lunak Pengolah Citra Fitur Warna RGB Proses identifikasi kematangan buah manggis dengan menggunakan piranti lunak dapat dilakukan dengan berdasarkan pada nilai keeratan hubungan diantara nilai kedalaman warna citra Merah, Hijau dan Biru (RGB) yang ditampilkan oleh masing-masing sampel buah manggis yang menjadi objek pengamatan. Hasil pengamatan menunjukkan bahwa rata-rata nilai RGB dari buah manggis yang diamati selama 9 hari menunjukkan penurunan sebagaimana ditunjukkan oleh Tabel 4.1. dan Gambar 4.7 4.9. Perbandingan komposisi warna RGB yang ditunjukkan pada tiap umur kematangan buah manggis setelah pemanenan dalam hal ini komposisinya senantiasa berubah setiap hari. Atas dasar fenomena ini kemudian dilakukan pendugaan dengan menggunakan model regresi untuk melihat keeratan hubungan antara penurunan derajat warna R, G dan B terhadap umur kematangan buah. Tabel 4.1. Rata-rata Nilai RGB Buah Manggis Menurut Umur Setelah Pemetikan Hari Setelah Petik Red 3 158,07 4 169,81 5 152,27 6 138,62 7 141,41 8 136,50 9 126,41 10 106,34 11 119,91 Data selengkapnya disajikan pada lampiran Green 146,81 160,37 138,75 123,52 128,35 123,70 114,75 93,11 110,55 Blue 131,31 149,46 127,54 113,75 122,44 118,07 111,61 90,38 108,9156
Hasil analisis data Tabel 4.1. kemudian memberikan gambaran model penduga komposisi warna yang dapat dijadikan acuan pendeteksi kematangan buah manggis. Dari perhitungan dapat diketahui model persamaan regresi penduga umur kematangan menurut masing-masing fiturwarna yang ditampilkan sebagaimana disajikan pada Tabel 4.2. Tabel 4.2. Model Regresi Penduga Kematangan Buah Manggis Menurut Fitur Warna R, G dan B Model Regresi Penduga Kematangan Menurut Warna Merah (Red) Y = - 6,6149 X + 185,12 R2 = 0,8495 Model Regresi Penduga Kematangan Menurut Warna Hijau (Green) Y = - 6,5704 X + 172,74 R2 = 0,8019 Model Regresi Penduga Kematangan Menurut Warna Biru (Blue) Y = - 4,9057 X + 153,61 R2 = 0,6663
Y R2
25
Dengan mengacu pada koefisien determinasi (R2) yang terbesar, model regresi yang diduga kuat memiliki keeratan hubungan antara warna dengan kematangan adalah model regresi menurut warna merah (Red). Hal ini dikarenakan dari ketiga model yang ada, koefisien determinasi (R2) untuk warna merah adalah yang paling besar. Dengan nilai R2 = 0,8495 mengindikasikan bahwa sebesar 84,95% derajat kematangan ditentukan oleh perubahan warna merah.
Fitur Warna Merah (Red) Berdasarkan Hari Kematangan

180 160 140 120 Red 100 80 60 40 20 0 0 2 4 6 Hari 8 10 12 y = -6,6149x + 185,12 R2 = 0,8495
Gambar 4.7. Grafik Hubungan Antara Nilai Derajat Kedalaman Warna Merah (Red) Terhadap Hari Setelah Pemetikan Buah
Fitur Warna Hijau (Green) Berdasarkan Hari Kematangan

180 160 140 120 green 100 80 60 40 20 0 0 2 4 6 hari 8 10 12 y = -6,5784x + 172,71 R2 = 0,8019
Gambar 4.8. Grafik Hubungan Antara Nilai Derajat Kedalaman Warna Hijau (Green) Terhadap Hari Setelah Pemetikan Buah
26
Fitur Warna Biru (Blue) Berdasarkan Hari Kematangan

160 140 120 100 Blue 80 60 40 20 0 0 2 4 6 Hari 8 10 12 y = -4,9057x + 153,61 R2 = 0,6663
Gambar 4.9. Grafik Hubungan Antara Nilai Derajat Kedalaman Warna Biru (Blue) Terhadap Hari Setelah Pemetikan Buah
Dengan menggunakan dasar model regresi penduga kematangan yang paling mungkin (dalam hal ini model untuk fitur warna merah), selanjutnya dapat ditentukan nilai prediksi kematangan menurut hari setelah buah dipetik. Besarnya nilai kedalaman fitur warna merah menurut model penduga adalah sebagaimana disajikan pada Tabel 4.3. Tabel 4.3. Nilai Pendugaan Fitur Warna Merah Menurut Hari Setelah Buah Dipetik Dengan menggunakan Model Regresi Penduga Warna Merah Hari Setelah Buah Dipetik 1 2 3 4 5 6 7 8 9 10 11 Nilai Fitur Warna Merah (Red) 178,51 171,89 165,28 158,66 152,05 145,43 138,82 132,20 125,59 118,97 112,36
27
Data dari Tabel 4.3. tersebut selanjutnya dapat digunakan sebagai pedoman atau acuan untuk menentukan kelas mutu menurut SPO manggis dari Departemen Pertanian, dengan ketentuan sebagai berikut : Range data Jumlah Kelas Interval : 66,15 :7 : 9,45
Nilai kisaran warna untuk kelompok kelas menurut umur kematangan buah manggis sebagaimana tercantum dalam SPO manggis (lihat Tabel 2.2.) adalah :
Tabel 4.4. Nilai Kisaran Warna Merah Untuk Kelas kematangan Buah Mentah Kelas 0 Kelas 1 Kelas 2 Kelas 3 Kelas 4 Kelas 5 Kelas 6 Terlalu Matang Nilai Kisaran Warna Merah (Red) >178.51 169,06 178,51 159,61 169,06 150,16 159,61 140,71 150,16 131,26 140,71 121,81 131,26 112,36 121,81 <112.36
Piranti lunak yang dibuat dalam hal ini akan menterjemahkan nilai-nilai di atas range warna merah tertinggi dengan kategori buah dengan tingkat kematangan = buah mentah. Sedangkan untuk nilai-nilai di bawah range terendah dikategorikan sebagai buah terlalu matang 4.3. Kelayakan Metode Pengolah Citra Berbasis Fitur Warna RGB Dengan melihat beberapa hasil uji coba baik secara statistik maupun penampilan gambar pada komputer dapat diketahui kelayakan teknis untuk penggunaan metode pengidentifikasian mutu buah manggis menurut umur kematangan setelah buah dipetik. Pada dasarnya metode ini layak untuk dapat digunakan sebagai bagian dari interpretasi sensorik warna yang dapat digunakan pada rancangan alat pengolah citra untuk pengklasifikasian mutu buah manggis, apabila akan digunakan pada proses rancang bangun alat sortasi atau grading buah manggis di masa yang akan datang. Walapun demikian, pada implementasinya, masih ada beberapa hal yang perlu mendapat perhatian agar dalam penggunaanya tidak terjadi kesalahan. Hal-hal tersebut antara lain :
28
1. Kalibrasi
warna
dasar
(warna
putih)
harus
dilakukan
sebelum
memulai
pengidentifikasian fitur warna RGB. Hal ini untuk mengurangi efek bayangan yang agak mengganggu pada tampilan layar monitor komputer, meskipun dalam struktur program telah dilakukan proses filtrasi noise atau kesalahan karena adanya bayangan tersebut. 2. Buah yang direkam atau dipindai dengan kamera hanya untuk buah manggis. Hal ini dibuktikan dengan uji validasi dengan menggunakan data buah yang dipindai bukan buah manggis, hasil identifikasi kematangannya tidak sesuai. Artinya, piranti lunak tidak valid dalam memberikan informasi umur kematangan buah karena dasar acuan pengelompokkannya menggunakan fitur warna buah manggis. 3. Jenis lampu penerangan yang digunakan pada instrumen pengolah citra akan sangat menentukan kualitas gambar dan fitur warna RGB yang dihasilkan. Pemilihan lampu dilakukan dengan menyesuaikan (kalibrasi) hasil tampilan gambar dengan bagan warna (Color Chart) standar. Apabila efek pencahayaan dari lampu yang digunakan memberikan warna yang paling mendekati bagan warna standar, maka lampu tersebut yang sebaiknya dipilih. 4. Warna yang dijadikan acuan untuk pengidentifikasian umur kematangan buah manggis berdasarkan keeratan hubungannya menurut model regresi yang digunakan adalah warna merah. 5. Hasil dari pengelompokkan buah menurut umur kematangan buah yang didasarkan metode kelas interval menurut pengelompokan biasa (himpunan crisp) sebagaimana yang dilakukan dalam penelitian ini tidak akan sama persis bila dilakukan dengan menggunakan metode pengklasifikasian menurut himpunan fuzzy. Oleh karena itu untuk tahapan pengembangan sistem di masa yang akan datang perlu dilakukan penelitian lanjutan dengan pembanding metode pengklasifikasian dan berbagai varietas buah manggis yang dijadikan objek pengamatan.
4.4. Estimasi Kelayakan Ekonomi Sistem yang Dirancang Pada bagian akhir dari penelitian ini belum dapat dilakukan evaluasi kelayakan ekonomi dari sistem yang dirancang secara tepat mengingat penelitiannya belum dilakukan. Namun walaupun demikian berdasarkan harga perkiraan biaya produksi sistem yang dirancang dibandingkan dengan harga peralatan sistem pengolah citra yang ada di pasaran saat ini diperkirakan harganya akan lebih murah daripada yang ditawarkan di pasaran. Berdasarkan infromasi yang diperloleh dari situs di internet (Scorpion, 2007), harga satu set peralatan sejenis harganya diperkirakan mencapai 3.500 EURO atau sekitar Rp. 43.750.000,- (kurs Rp. 12.500,- per EURO).
29
Dengan kondisi ini kemungkinan besar terdapat keunggulan komparatif dari sisi harga produksi apabila sistem dibuat sendiri, bila dibandingkan dengan membeli dari luar negeri. Berikut adalah perbandingan harga unit pengolah citra untuk proses klasifikasi mutu yang dirancang dengan produk luar negeri.
Tabel 4.5. Estimasi Biaya Produksi Instrument Pengolah Citra untuk Pengklasifikasian Mutu NO 1 2 3 4 5 6 7 PERALATAN YANG DIPERLUKAN CCD Camera High Grade dual lense Image Graber Komputer dengan VGA compatible Multimedia Core Duo Actuator Solenoid pengatur gerak Step motor listrik pemilah mutu produk untuk 3 kelas Rangkaian mekanik otomatisasi & Box Biaya perakitan & finishing Estimasi Biaya Produksi Sistem Instrument ESTIMASI HARGA (RP) 3.500.000 4.000.000 5.000.000 2.500.000 3.000.000 7.500.000 1.500.000 27.000.000
Tabel 4.6. Harga Peralatan Machine Vision Produk Luar Negeri untuk Klasifikasi Mutu NO 1 2 3 4 5 6 7 8 9 10 11 PERALATAN YANG TERPASANG unibrain firewire camera ccd camer accessories interface card Fire cable & accessories Mounting lenses frame graber Standar IO device Ilumination Calibration grid Vision PC TOTAL (dalam EURO) TOTAL (dalam Rupiah) HARGA (EURO) 150 825 50 50 50 150 230 325 360 60 1.250 3.500 43.750.000
Sumber : www.scorpionvision.com (2007).
Dari perbandingan kedua model instrument tersebut secara ekonomi diperkirakan bahwa harga produk yang dirancang sendiri akan lebih ekonomi dibandingkan dengan produk dari luar negeri. Hal ini dimungkinkan karena ada beberapa komponen peralatan yang dapat dibuat sendiri dengan biaya yang lebih murah. Seperti rangkaian mekanik dan box pemilah dan rangkaian elektonik, meskipun beberapa komponen harus membeli dari luar karena tidak diproduksi di Indonesia.
30
V. KESIMPULAN
1. Berdasarkan hasil penelitian di laboratorium dapat diketahui bahwa dengan menggunakan metode proses pengolahan citra dengan aplikasi fitur warna RGB pada buah manggis ini secara teknis dapat digunakan metoda alternatif pengganti penilaian indra manusia yang bersifat subyektif dalam mengukur tingkat kematangan buah manggis menurut standar ukuran mutu menurut warna yang didasarkan atas standar prosedur operasi manggis yang telah ditetapkan oleh Departemen Pertanian. 2. Hasil uji coba sistem peralatan pengolah citra fitur warna RGB ini menunjukkan konsistensi dalam menilai kematangan buah manggis menurut ukuran lama waktu setelah buah manggis tersebut dipanen. 3. Penggunaan metode pencitraan dengan fitur warna RGB untuk mengidentifikasi
kematangan buah manggis ini secara teknis layak untuk digunakan sebagai dasar klasifikasi mutu buah manggis menurut tingkat kematangan buah dari sejak buah manggis tersebut dipanen. Dengan demikian hal ini menunjang indeks panen (harvest indice) buah manggis yang sangat diperlukan pada proses penentuan kematangan buah yang akan diekspor ke luar negeri, sehubungan dengan terbatasnya umur konsumsi manggis karena pengaruh lingkungan (klimaterik). 4. Metode yang digunakan dalam proses identifikasi dan penilaian klasifikasi buah manggis menurut umur kematangan buah manggis dapat mengantisipasi kerancuan yang mungkin terjadi bila dilakukan dengan cara manual dengan mengandalkan indra manusia akibat perbedaan persepsi para penilai (operator sortir). 5. Model klasifikasi kematangan buah manggis dengan pengolah citra fitur warna RGB ini dapat dilakukan dengan menggunakan bantuan piranti lunak berbasis komputer yang telah dibuat, yang dilengkapi dengan kamera CCD sebagai penangkap objek. Piranti lunak yang dibuat mampu untuk mengenali tingkat warna yang terdapat pada citra buah manggis berdasarkan fitur warna RGB yang dihasilkan dan sesuai dengan indeks panen buah menurut tingkat kematangannya sebagaimana yang ditetapkan dalam Standar Prosedur Operasional Komoditas Manggis dari Direktorat Tanaman Buah, Departemen Pertanian. 6. Dalam jangka panjang diharapkan diperoleh suatu instrumen dan peralatan/mesin sortasi dan kendali mutu buah manggis yang efektif dan efisien sehingga bermanfaat baik secara teknis maupun ekonomis bagi perkembangan pembangunan pertanian.
31
VI. PERKIRAAN DAMPAK HASIL KEGIATAN Hasil penelitian ini lebih jauh dapat diaplikasikan di lapangan setelah disempurnakan dengan merancang alat terpadu antara komputer, instrument pengolah citra (dilengkapi kotak pemindai dengan kamera CCD dan unit pengatur masukan dan keluaran obyek yang direkam gambarnya secara otomatis), serta piranti lunak komputer yang mengolah citra objek yang direkam dan ditetapkan batas kelas mutunya menurut umur kematangannya. Beberapa kendala yang perlu diantisipasi untuk penelitian lanjutan yang akan datang adalah bagaimana merancang perangkat alat dalam satu sistem terpadu secara otomatis dengan menggunakan sistem pengelompokkan kelas mutu menurut umur kematangan dengan teknik kendali fuzzy (fuzzy control system), mengingat dalam penelitian ini pengklasifikasian masih dilakukan berdasarkan metode cacah waktu secara eksak tidak dengan cara fuzzy. Sehingga diharapkan pengembangan kedepan akan lebih menyempurnakan sistem peralatan yang dirancang. Kendala lain adalah sulitnya mendapatkan sampel buah manggis yang akan diamati sebagai objek dalam penentuan standar mutu yang diharapkan mengingat manggis hanya berbuah satu tahun sekali dengan periode waktu panen yang sangat singkat (1 2 bulan saja). Sehingga pengidentifikasi mutu manggis menjadi terhambat karena keterbatasan ini. Apabila buah manggis yang digunakan varietasnya berbeda, diduga bahwa ini akan memberikan hasil yang tidak sama. Oleh karenanya diperlukan penelitian lanjutan untuk sampel manggis yang berbeda varietasnya. Hasil penelitian ini akan bermanfaat manakala dapat dilanjutkan hingga tuntas sehingga dapat diperoleh rangkaian sistem peralatan pengklasifikasian mutu manggis baik berdasarkan umur kematangan, berat dan ukurannya. Apabila ditindaklanjuti hal ini akan memberikan satu manfaat potensi HAKI dalam perancangan instrumentasi dalam penentuan mutu buah manggis.
32
VII. DAFTAR PUSTAKA Ana Nurhasanah, Suroso Dan Usman Ahmad. 2006. Pengembangan Algoritma Pengolahan Citra Dan Jaringan Syaraf Tiruan Untuk Menentukan Tingkat Kematangan Manggis. 20 Desember 2006. Diakses Melalui : Http://mekanisasi .litbang.deptan.go.id : 4 November, 2007, 09:56. BPS. 2004. Statistik Ekspor Impor Pertanian. Biro Pusat Statistik. Jakarta. Burdock. G. A. 1997. Encydopedia of Food and Color Additives. CRC Press. Inc. New York. Cut Meurah. 2007. Penginderaan Jauh. Modul Pelajaran Geografi. Dapat diakses melalui situs : elcom.umy.ac.id/elschool/muallimin_muhammadiyah/file.php/1/materi/Geografi/ PENGINDERAAN%20JAUH.pdf Dydesdale. F.M. 1998. Color : origin. stability. measurement and quality. Di dalam Food Storage Stability. Taub. I.A. dan Singh. R. P (Ed) 1998. CRC Press LCC. New York. Dewobroto. Wiryanto. 2002. Alikasi Sain dan Teknik dengan Visual Basic 6.0. Elex Media Computindo: Jakarta Departemen Pertanian. 2004. Standar Prosedur Operasi. Direktorat Tanaman Buah Departemen Pertanian. Jakarta. Eskin. N. A. M. 1979. Plant Pigments. Flavors and Textures : The Chemistry and Biochemistry of Selected Compounds. Academic Press. Inc. New York. Elbe. J.H. von dan Swarstz S.J. 1996. Colorants Di dalam Food Chemistry. Fennema. O.R (Ed) 1996. Marcel and Dekker. Inc. New York Hornby, A. S.: Guide to Patterns and Usage in English, Oxford Univ. Press, London, 1975. Idhawati Hestiningsih. 2007. Pengolahan http://idhaclassroom.com/2007/09 Citra. Diakses Melalui Situs Internet :
Morton, J. (1987) Fruits of Warm Climates. Miami, FL. USA Muhammad Ramdhan. 2006. Peningkatan Interpretabilitas Citra Dengan Fuzzy Logic Fungsi S Untuk Keperluan Klasifikasi. Tesis Master. Departemen Tehnik Geodesi FTSP-ITB Parbowo. Suyogo. 2005. Skripsi Aplikasi Monitoring Jalur Pipa PERTAMINA Balongan-Plumpang 0-28.90 KP dengan Alat Bantu SIG. STTIS: Bandung Prayudo. Sigit B. 2006. Skripsi Penerapan Logika Fuzzy pada Penilaian Mutu Teh Hitam Ortodox. Universitas Padjadjaran: Sumedang Prihatman. Kemal. 2000. Manggis (Garcinia mangostana L.). BAPPENAS: Jakarta Raji, O. O.A. Alamutu. 2005. Prospects Of Computer Vision Automated Sorting Systems In Agricultural Process Operations In Nigeria. Agricultural Engineering International: the CIGR Journal of Scientific Research and Development. Vol. VII. Invited Overview. February 2005. 33
Scorpion. 2007. Scorpion Vision Software. International Pricelist Scorpion Vision Component. Dapat Diakses Melalui : www.scorpionvision.com. Stephens. Rod. 1999. Visual Basic Graphic Programming: hands-On Aplications and Advanced Color Development. Wiley Computer Publishing: USA Sudaryanto Zain, Dadi Rusendi, Syarifah Nurjanah. 2005. Teknologi Pengolahan Pasca Panen Biji-bijian. Modul Kuliah. Fakultas Teknologi Industri Pertanian. Universitas Padjadjaran. Sutedjo. B. Michael. 2000. Algoritma dan Teknik Pemograman: Konsep. Implementasi. Aplikasi. Penerbit Andi: Yogyakarta Usmad Ahmad. I Wayan Budiastra. 2003. Pengembangan Mesin Sortasi Otomatis Untuk Mangga Menggunakan Pengolahan Citra Dalam Pemutuan. Laporan Penelitian Hibah Bersaing. Zainul Arham, Usman Ahmad, Suroso. 2004. Evaluasi Mutu Jeruk Nipis (Citrus Aurantifolia Swingle) Dengan Pengolahan Citra Digital Dan Jaringan Syaraf Tiruan. Prosiding Semiloka Teknologi Simulasi Dan Komputasi Serta Aplikasi 2004. pp.81-87.
34
Lampiran 1. Personalia Peneliti Nama Lengkap dan Gelar Dr.Roni Kastaman. Ir. MT. Marsetyo. Ir. MS Sunarmani, Ir.MS Gol./Pangkat NIP IV a / Pembina 131653089 III c / Penata 130890582 IV b / Pembina Tk.1 080068203 IV a / Pembina / 080114374 Jabatan Fungsional Lektor Jabatan Struktural Sekretaris Divisi TTG LPM UNPAD PD III FTIP UNPAD Staf BB Litbang Pasca Panen Pertanian Staf BB Litbang Pasca Panen Pertanian Bidang Keahlian Sistem & Manajemen Keteknikan Pertanian Teknologi Pasca Panen Teknologi Hasil Pertanian Teknologi Pasca Panen Alokasi Waktu 15 jam per minggu 15 jam per minggu 14 jam per minggu 14 jam per minggu
Lektor Muda Peneliti Madya
Agus Supriatna Somantri, Ir.
Peneliti Madya
35
Lampiran 2. Biodata Peneliti Utama Nama Lengkap NIP Tempat/Tanggal Lahir Jenis Kelamin Bidang Keahlian Kantor/Unit Kerja Alamat Kantor Kota Kode Pos Telepon Faksimile E-mail Alamat Rumah Kota Kode Pos Telepon Faksimile E-mail No. HP Pendidikan (S1 ke atas) No. 1 2 3 4 Perguruan Tinggi UNPAD LINCOLN UNIV. ITB IPB Kota & Negara Bandung Christchurch New Zealand Bandung Bogor 1992 1999 Teknik Industri Teknik Pertanian Tahun Lulus 1985 1988 Bidang Studi Teknik Pertanian Master Teaching : Dr.Roni Kastaman. Ir. MT. : 131 653 089 : Bandung/20 Januari 1963 : Laki-laki : Sistem & Manajemen Keteknikan Pertanian : Fakultas Teknologi Industri Pertanian Jurusan Teknik Industri Pertanian. Universitas Padjadjaran : Kampus UNPAD Jatinangor. Jl. Raya Jatinangor Km 21 : Bandung : 40600 : 022 779 5780 : 022 779 5780 : teknotan@unpad.ac.id : Jl. Waas A No.17 C Bandung Batununggal Indah : Bandung : 40266 : 022 7566 744 : 022 7566 744 : tikakiki@yahoo.com : 0815 622 5774
36
Lampiran 3. Biodata Anggota Peneliti 1 Nama Lengkap NIP Tempat/Tanggal Lahir Jenis Kelamin Bidang Keahlian Kantor/Unit Kerja Alamat Kantor Kota Kode Pos Telepon Faksimile E-mail Alamat Rumah Kota Kode Pos Telepon Faksimile E-mail No. HP Pendidikan (S1 ke atas) No. 1 2 Perguruan Tinggi UNPAD UNPAD Kota & Negara Bandung Bandung Tahun Lulus 1978 1998 Bidang Studi Teknologi Hasil Pertanian Teknik Pasca Panen : Marsetyo. Ir. MS : 130890582 : Kebumen. 26 September 1951 : Laki-laki : Teknologi Pasca Panen : Fakultas Teknologi Industri Pertanian Jurusan Teknik Industri Pertanian. Universitas Padjadjaran : Kampus UNPAD Jatinangor. Jl. Raya Jatinangor Km 21 : Bandung : 40600 : 022 779 5780 : 022 779 5780 : teknotan@unpad.ac.id : Jl. Wijayakusuma II No. 8 Cijambe Indah. Ujungberung : Bandung : 40619 : 022 - 7801174 ::: 08157122075
37
Lampiran 4. Biodata Anggota Peneliti 2 Nama Lengkap NIP Tempat/Tanggal Jenis Kelamin Bidang Keahlian Kantor/Unit Kerja Alamat Kantor Kota Telepon Faximile E-mail : Sunarmani, Ir. MS : 080 068 203 : Solo, 8 Januari 1955 : Perempuan : Teknologi Pascapanen (Peneliti Madya) : Balai Besar Penelitian dan Pengembangan Pascapanen Pertanian : Jl. Tentara Pelajar No. 12, Kampus Penelitian Pertanian, Cimanggu : Bogor : (0251) 321762, 350920 : (0251) 321762 : bb_pascapanen@yahoo.com
Alamat Rumah Kota Telepon E-mail Faximile No. HP
: Pondok Jatimurni, Blok K No. 17, Pondok Gede, Bekasi, Jawa Barat. : Pondok Gede : 021-8445404 : : 0251 321762 : 0811195014
Pendidikan S1 ke atas No. 1. 2. Perguruan Tinggi (S1) Universitas Gajah Mada (S2) Universitas Gajah Mada Kota & Negara JogyakartaIndonesia JogyakartaIndonesia 1988 Teknologi Pangan dan Gizi Tahun Lulus 1982 Bidang Studi Teknologi Pascapanen
38
Lampiran 5. Biodata Anggota Peneliti 3 Nama Lengkap NIP Tempat/Tanggal Lahir Jenis Kelamin Bidang Keahlian Kantor/Unit Kerja Alamat Kantor Kota Telepon Faksimile E-mail Alamat Rumah Kota Telepon Faksimile E-mail No. HP Pendidikan (S1 ke atas) No. 1. Perguruan Tinggi IPB Kota & Negara Bogor, Indonesia Tahun Lulus 1987 Bidang Studi Teknologi Pertanian : Ir. Agus Supriatna Somantri : 080.114.374 : Sukabumi, 3 Juli 1964 : Pria : Sistem dan manajemen : Balai Besar Litbang Pascapanen Pertanian :Jl. Tentara Pelajar 12 Kampus Penelitian Pertanian Cimanggu : Bogor Kode Pos : 16114 : (0251) 321 762 : (0251) 321 762 : assomantri@yahoo.com : Perumahan Mekarsari Permai A2/22 RT03/08 Cicurug : Sukabumi : (0266) :( ) : assomantri@yahoo.com : 0813 1074 1772 Kode Pos : 43359
39
Lampiran 6. Data RGB Hasil Pengolahan Citra untuk Hari Pengamatan Ke 1 Tanggal Pengamatan : 9 Agustus 2007 Ulangan 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 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 R 138.682 151.375 151.556 150.162 177.79 181.387 180.329 126.209 154.533 184.823 143.69 175.996 132.881 130.749 190.587 149.105 191.842 112.862 136.986 179.575 95.6772 186.311 144.896 163.305 191.816 158.685 178.554 154.898 174.665 150.944 175.415 169.327 171.301 172.548 151.027 186.136 191.676 160.292 159.54 197.001 192.044 137.59 140.908 152.355 169.626 112.249 136.072 G 130.7 141.902 141.176 142.637 170.855 174.495 173.764 112.221 142.484 179.714 128.905 158.737 119.754 107.033 184.454 137.195 187.474 99.9937 119.743 171.986 80.024 179.638 130.046 152.296 188.666 139.213 172.358 143.894 164.396 134.377 166.567 161.934 162.833 159.373 141.255 179.916 184.894 148.307 144.429 187.273 185.985 123.387 123.959 143.573 162.734 92.5944 127.914 B 105.341 113.807 115.195 117.62 153.257 165.658 156.972 83.832 116.304 163.176 112.415 136.35 101.275 101.183 172.678 115.387 174.086 76.3062 98.603 163.361 63.3352 166.082 111.451 147.376 181.65 135.433 161.908 123.811 150.779 127.182 152.792 158.583 156.049 143.665 125.202 165.772 171.95 133.35 126.628 179.29 175.182 98.4572 99.3563 127.781 153.306 70.5817 100.356
40
48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 Rata-rata
194.685 117.925 140.591 193.136 186.717 138.283 186.454 121.772 154.429 192.866 108.544 147.471 139.47 111.237 113.723 201.773 124.983 150.304 169.763 173.878 175.233 158.955 177.757 172.032 168.423 185.778 97.324 113.414 180.314 158.0685
187.764 94.5109 120.786 186.912 178.183 122.949 180.532 104.342 138.031 186.688 93.0079 138.041 124.766 93.4891 94.4939 198.647 110.438 134.449 159.763 166.75 167.375 149.785 169.423 167.74 157.413 180.94 79.6132 93.3525 170.372 146.8107
185.752 81.8819 97.6106 173.886 167.046 96.3396 169.589 76.4895 120.249 175.626 76.675 126.251 97.5672 74.2077 76.452 192.468 88.4147 118.297 144.814 154.402 156.866 139.285 163.413 155.531 152.921 168.462 59.1799 75.7949 163.874 131.3087
41
Lampiran 7. Data RGB Hasil Pengolahan Citra untuk Hari Pengamatan Ke 2 Tanggal Pengamatan : 10 Agustus 2007 R 170.814 202.011 166.474 190.951 187.795 201.302 180.096 166.594 183.506 147.926 141.493 172.622 191.253 147.132 202.614 162.811 177.265 167.429 159.445 170.763 165.881 184.688 169.398 158.31 184.441 160.887 172.824 171.593 174.474 176.664 141.384 191.415 168.685 131.163 182.91 188.883 191.889 164.236 141.408 174.088 172.579 193.085 178.682 169.269 180.513 147.216 177.113 G 162.82 199.537 155.343 186.416 181.996 199.193 173.465 158.11 176.426 138.486 127.663 160.947 186.819 126.189 196.928 157.079 171.942 160.661 143.549 161 156.869 180.358 159.066 148.433 178.646 141.22 163.296 165.475 164.579 164.36 128.404 180.478 159.729 111.786 174.555 182.578 185.689 151.627 124.177 163.867 166.74 189.32 168.537 161.755 173.532 135.765 169.029 B 148.008 189.107 136.429 169.069 170.889 194.923 157.242 136.662 166.73 119.647 116.186 146.455 181.315 122.854 183.323 148.635 160.883 152.612 131.239 152.362 152.013 172.003 146.725 146.123 169.817 139.938 154.997 151.361 157.588 159.383 108.624 174.91 151.233 91.9781 163.377 165.679 172.465 137.284 105.959 158.159 150.818 179.809 153.691 149.252 165.982 127.716 161.054
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 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47
42
48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 Rata-rata
150.118 163.315 158.095 172.264 189.204 177.387 163.44 180.766 133.135 193.507 173.337 173.476 187.556 177.4 177.177 184.987 149.525 185.71 166.746 185.382 177.041 127.061 132.215 191.178 161.019 159.943 107.018 123.092 180.398 169.8087
133.307 148.137 146.431 160.625 181.89 167.912 151.268 174.82 116.961 189.472 163.408 165.892 184.674 171.899 168.221 177.499 135.675 178.011 158.825 179.218 170.761 114.142 116.928 184.658 150.025 152.322 92.7366 101.796 176.459 160.3738
130.902 138.42 129.023 145.662 172.482 155.042 135.308 164.365 102.819 180.645 152.265 157.92 179.256 166.074 161.832 163.674 118.511 171.753 143.621 170.697 163.289 99.9061 106.254 175.013 145.626 136.165 77.582 88.5904 173.67 149.4589
43
Lampiran 8. Data RGB Hasil Pengolahan Citra untuk Hari Pengamatan Ke 3 Tanggal Pengamatan : 11 Agustus 2007 Ulangan 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 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 R 162,254 179,195 174,386 175,666 115,168 132,323 174,601 168,528 138,751 153,268 166,933 174,606 146,555 117,063 180,415 165,847 169,389 137,23 145,507 158,384 134,369 119,854 151,107 157,686 185,729 126,107 143,952 139,36 147,279 146,121 143,886 166,741 178,741 169,439 160,228 177,474 160,931 113,336 163,07 150,331 171,961 194,171 166,748 156,05 95,5844 139,783 178,881 G 154,71 166,891 164,088 165,15 98,8494 119,523 169,476 161,356 126,498 145,085 151,751 161,638 134,533 96,0785 174,471 152,82 160,809 122,23 125,186 148,275 122,273 101,645 136,052 148,85 178,609 101,209 126,895 125,415 128,943 130,916 128,048 150,749 170,16 149,223 148,24 169,086 146,458 95,8145 147,725 133,211 161,201 185,46 150,146 142,188 77,2048 124,394 168,929 B 131,738 149,05 147,701 146,405 88,2913 111,36 152,933 140,377 113,552 133,256 145,37 149,03 130,061 96,017 159,551 146,602 145,009 120,332 117,122 138,74 121,033 90,2733 126,663 148,68 164,001 99,8066 120,056 109,646 122,289 127,759 112,322 150,846 161,949 141,911 136,686 150,883 128,865 85,1891 129,492 128,025 144,067 171,827 126,009 129,733 68,1425 122,337 159,441
44
48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 Rata-rata
135,854 127,003 154,659 180,647 156,49 151,05 165,753 192,623 143,822 149,009 172,079 134,241 163,817 165,65 121,471 163,177 100,5 134,437 177,196 166,261 147,159 138,973 147,65 142,887 125,191 145,339 145,91 114,596 134,426 152,2744
126,01 106,545 141,106 168,329 145,405 141,802 154,323 185,39 129,392 133,209 161,679 118,956 153,128 151,615 102,518 148,022 72,2532 117,442 169,26 156,712 134,283 125,409 134,744 131,572 112,657 132,158 135,523 93,9829 113,429 138,7542
126,732 103,291 127,057 152,123 124,857 121,188 139,258 172,436 119,512 104,558 151,761 116,486 137,637 134,54 92,4384 128,714 69,2804 113,124 155,382 142,962 122,145 108,924 125,772 115,187 108,857 114,829 126,843 94,1126 102,324 127,5364
45
46
48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 Rata-rata
157,866 129,114 148,086 145,632 127,203 160,743 177,757 159,367 106,519 171,129 148,327 159,292 168,755 168,561 101,482 170,18 97,4992 129,164 163,544 110,777 111,257 161,811 147,84 148,07 83,9154 153,45 107,744 81,5979 116,605 138,624
150,496 110,35 132,426 127,25 114,512 149,711 168,49 146,437 84,9983 157,586 134,094 147,665 158,477 155,548 82,4962 156,991 72,9485 112,28 153,18 95,8319 92,8323 152,609 134,375 137,054 68,8966 140,747 92,8854 60,7972 95,5261 123,523
152,437 110,743 118,66 100,094 91,0988 133,183 158,248 129,325 79,103 135,718 120,853 147,054 147,706 141,508 73,1925 138,357 72,9018 111,902 136,815 77,9992 80,1131 143,938 127,298 125,823 64,7806 130,888 79,9701 61,8735 90,1095 113,7469
47
48
48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 Rata-rata
120,797 151,74 159,534 189,077 146,107 176,848 169,194 134,317 89,1079 195,3 148,143 146,982 172,613 187,195 93,4203 157,229 123,198 121,639 169,678 131,247 157,648 158,092 138,33 166,385 156,209 83,5985 157,535 108,434 91,5379 141,4086
117,1352565 140,8905446 146,2167116 179,2502633 132,4596299 167,7635184 152,5012531 115,3808696 72,13979904 190,0020504 132,1416894 139,5536663 163,3087633 178,2407907 75,73322041 142,6528692 110,2007736 112,8006903 159,3411186 112,5731388 149,305 149,0474324 127,2117943 155,7112956 147,6236537 59,44548145 149,0332435 99,21858864 78,85805806 128,3506152
117,547 141,252 134,02 166,449 111,479 150,978 149,521 106,225 71,7886 179,274 119,805 140,358 160,513 166,447 67,7315 132,186 111,035 111,588 143,841 100,217 146,805 140,881 122,539 153,38 145,528 56,8723 142,694 100,33 78,3263 122,4425
49
Lampiran 11. Data RGB Hasil Pengolahan Citra untuk Hari Pengamatan Ke 6 Tanggal Pengamatan : 14 Agustus 2007 Ulangan 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 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 R 161,363 121,353 169,972 152,049 100,246 134,225 191,008 138,011 137,725 147,604 129,623 120,582 108,082 157,611 165,613 147,529 176,231 115,619 128,734 101,857 137,011 119,327 67,6479 145,321 165,156 89,8277 142,567 156,765 140,937 153,561 89,8593 150,898 177,008 174,725 152,886 187,003 172,486 85,4761 142,567 86,1517 138,654 128,838 149,715 150,395 119,496 G 147,352 100,273 162,448 136,375 84,9842 118,431 182,625 126,566 123,151 131,411 108,207 100,965 97,0397 145,475 155,945 133,01 169,84 106,173 118,173 89,106 132,83 105,928 42,4203 139,293 152,486 74,4793 130,678 145,262 132,043 142,123 62,3016 141,395 169,351 164,665 140,949 180,028 157,884 72,2559 127,125 72,5386 121,553 111,511 128,373 140,753 110,353 B 134,187 98,1964 146,473 131,531 84,5263 120,805 164,006 109,215 119,004 128,536 110,643 96,8483 98,3711 145,64 144,229 134,088 157,457 107,353 115,86 83,5251 133,027 102,492 42,9398 139,033 140,728 75,3961 128,297 134,968 132,513 141,625 56,8259 140,863 166,497 164,811 136,679 163,782 155,402 67,8328 113,003 71,722 113,71 89,2668 111,062 141,026 107,471 50
46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76
120,935 154,584 109,05 73,8352 159,041 187,014 126,715 173,816 163,262 146,211 99,8538 174,07 151,429 109,994 162,896 179,64 141,141 139,361 54,7426 67,974 176,131 131,247 95,3171 176,771 145,864 177,182 80,6894 145,125 82,1788 97,7106 141,043 136,502
110,906 143,111 103,919 55,8631 145,892 178,357 107,186 163,012 149,922 129,762 86,9347 160,2 136,66 101,391 151,401 169,514 128,418 119,48 41,6027 57,5955 164,855 112,573 78,8524 170,482 134,978 172,872 69,6714 133,225 65,5071 89,6524 130,976 123,696
110,684 140,171 103,871 56,1454 136,232 163,472 85,4921 150,777 147,708 123,734 85,1749 140,094 127,686 100,459 147,219 156,247 123,842 107,387 42,8274 55,7765 153,896 100,217 70,0196 165,571 130,932 172,015 67,4552 132,288 55,2865 89,3647 129,468 118,066
51
Lampiran 12. Data RGB Hasil Pengolahan Citra untuk Hari Pengamatan Ke 7 Tanggal Pengamatan : 15 Agustus 2007 Ulangan 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 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 R 113,059 132,19 175,904 98,0955 115,097 126,65 179,268 170,289 157,398 108,466 128,229 108,758 97,0164 113,915 115,461 91,0841 167,473 136,093 136,51 72,8009 57,3669 134,801 136,209 131,331 153,993 57,1 132,248 174,056 128,7 112,025 102,728 60,1081 90,4947 129,633 140,112 155,61 144,706 99,8927 118,128 133,323 108,553 156,115 167,608 61,5835 113,375 G 96,9871 123,422 168,695 78,4026 107,238 114,103 169,903 161,706 145,605 94,1809 117,824 92,6389 90,7683 106,377 97,5529 77,3463 151,463 130,937 126,635 55,6838 48 127,24 126,574 125,872 140,915 42,7824 122,712 163,378 121,226 101,148 88,8711 49,3285 70,4659 119,201 131,41 139,061 131,217 89,6525 98,8299 124,053 85,8885 139,28 152,222 46,8556 101,754 B 93,8572 126,035 153,961 79,5826 108,082 116,252 156,825 152,425 146,83 95,3533 120,957 90,9374 92,9402 106,659 88,4061 79,8287 147,778 131,84 126,106 52,1166 46,2627 125,99 127,427 126,075 126,087 43,2314 122,503 157,327 121,806 100,197 88,2114 49,0432 62,2685 118,004 129,968 126,135 132,396 86,9461 84,007 122,485 85,3037 124,454 147,647 47,5297 99,0515 52
46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 Rata-rata
65,8633 124,374 158,226 133,68 109,781 148,123 149,341 134,507 155,926 108,968 132,761 162,978 173,987 110,282 138,344 182,92 165,535 166,954 131,222 51,8768 139,921 131,247 151,442 122,206 161,752 153,363 68,2986 69,5805 164,444 51,6847 144,028 126,41
55,401 112,962 157,127 126,669 89,9623 132,372 134,039 115,711 145,332 89,4969 125,866 151,77 165,577 103,603 127,651 173,411 156,822 152,79 124,98 41,8947 124,46 112,573 141,548 108,771 155,632 147,421 59,4606 53,3893 156,468 43,8081 138,649 114,75
56,3799 112,181 157,849 126,529 83,9682 118,781 125,246 110,202 145,323 86,7952 125,515 135,811 162,069 102,378 125,889 165,82 153,844 153,711 125,526 42,0625 115,49 100,217 136,613 100,602 153,746 147,413 58,8284 51,9991 152,26 43,7309 138,307 111,608
53
Lampiran 13. Data RGB Hasil Pengolahan Citra untuk Hari Pengamatan Ke 8 Tanggal Pengamatan : 16 Agustus 2007 Ulangan 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 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 R 119,424 189,595 133,063 71,3617 55,4226 56,5698 165,315 135,864 79,5859 115,942 100,639 126,734 44,7059 98,4378 161,891 81,2942 151,476 82,1978 95,0995 104,614 115,842 73,2197 116,209 49,7612 160,819 54,0183 87,2568 142,458 110,031 115,171 74,7056 151,454 84,0581 87,437 71,8203 103,156 102,247 126,169 115,854 76,4276 140,08 189,743 129,611 66,9438 85,4774 G 99,8949 186,035 117,508 50,8002 44,434 39,0025 153,147 116,659 58,5686 104,462 90,1422 114,893 36,8514 89,2411 145,347 67,7494 133,222 75,9163 83,5462 94,754 112,761 62,0344 109,319 40,5004 149,361 43,5065 74,3765 130,275 102,482 110,719 60,2748 146,879 64,9606 73,8988 54,9627 79,957 84,8154 117,154 96,8718 59,3551 123,704 177,292 103,578 54,2145 75,7654 B 99,1969 186,572 99,5369 51,6001 45,7686 41,0399 144,345 109,707 55,6131 106,38 92,5816 115,354 38,3403 89,1162 144,953 70,2997 130,497 76,4725 81,1179 92,8554 112,657 59,8437 110,78 41,4114 137,99 44,0131 72,4182 126,104 102,437 111,585 58,2798 147,246 59,2905 73,6467 52,1173 70,9397 86,2664 114,593 82,8425 58,3504 124,012 169,856 102,609 54,3121 74,1886 54
46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76
53,9618 66,489 60,7529 82,7 147,914 133,912 141,104 148,529 85,9654 76,1092 65,298 176,861 118,187 184,978 142,131 134,911 106,235 85,0673 125,736 64,7658 148,489 131,247 83,8986 89,4205 120,663 130,517 69,8877 61,7841 81,2742 46,8185 117,051 106,34
46,434 49,8878 55,7137 73,8924 132,097 111,997 123,225 131,727 72,5677 53,7415 54,0004 165,739 102,446 184,156 134,061 112,065 92,5018 57,7807 121,357 54,1804 133,847 112,573 66,4814 68,7801 107,836 124,161 58,5795 46,9249 63,7604 40,5722 111,714 93,1052
47,4324 48,7275 55,8695 73,9289 127,979 100,099 117,717 131,074 73,4053 50,7 53,4558 152,703 97,301 184,814 132,513 96,4223 88,6893 58,0461 121,696 50,3583 132,554 100,217 58,3851 59,1647 102,44 123,921 56,4754 46,1875 55,8917 41,0241 110,657 90,3814
55
Lampiran 14. Data RGB Hasil Pengolahan Citra untuk Hari Pengamatan Ke 9 Tanggal Pengamatan : 17 Agustus 2007 Ulangan 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 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 R 109,268 153,629 101,043 90,9021 62,7059 135,606 139,143 146,271 147,561 121,379 146,948 125,505 77,7438 97,5697 123,875 117,111 108,537 72,4446 118,284 144,541 142,707 120,551 111,825 83,6749 146,633 127,228 156,182 144,777 138,052 148,091 68,3286 78,9586 90,2971 140,448 141,611 153,354 115,217 146,624 138,51 88,4875 85,0732 130,157 120,081 106,184 153,375 128,211 136,183 G 97,7189 150,059 78,2543 80,6142 54,3048 132,921 128,929 133,455 137,211 113,203 142,005 119,04 74,2639 90,3951 110,679 111,157 87,3203 67,5217 110,492 137,309 138,881 112,797 104,752 79,5908 133,153 122,75 149,768 136,063 133,129 138,161 55,7562 73,7543 73,9812 134,209 135,905 139,746 105,95 139,37 123,669 78,2838 68,7323 115,272 103,264 98,0324 150,152 125,927 129,698 B 99,6795 151,841 69,355 82,8501 54,1907 134,445 125,555 131,646 134,756 113,325 142,498 118,257 75,6099 90,7593 107,018 112,307 89,6881 68,0674 109,265 135,18 138,348 111,852 105,589 81,3441 121,624 123,101 148,714 132,679 132,958 137,081 54,0121 74,0618 68,151 134,066 134,665 140,942 106,325 136,822 113,34 76,8574 69,2262 109,794 103,248 97,3569 150,071 126,434 129,684 56
48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 Rata-rata
104,285 62,0573 112,934 152,512 156,003 125,609 133,435 86,4153 65,4298 130,688 143,44 107,078 119,146 131,908 86,1351 104,447 112,983 111,067 122,793 131,247 129,129 120,49 116,214 148,004 92,6172 132,977 160,311 127,19 105,617 119,9085
102,712 54,1309 93,8815 138,609 142,608 114,89 128,97 71,7879 53,5949 115,137 133,807 103,476 107,883 113,984 69,8098 90,5582 111,608 107,348 108,139 112,573 119,804 106,722 107,039 144,024 85,16 128,371 152,588 124,649 99,9679 110,5452
102,717 54,1731 91,2754 136,614 140,652 116,1 130,21 70,8349 51,4171 98,8097 131,172 103,05 105,183 109,837 62,7194 91,1595 112,59 108,156 106,892 100,217 115,6 101,514 102,983 143,479 83,512 129,127 148,261 124,878 99,8172 108,9156
57
Lampiran 15. Data Gambar Perubahan Warna Manggis Menurut Hari Pengamatan
pengamatan hari ke 1
58
Lampiran 16. Syntax Program Pengolahan Citra yang Diambil dari File
function varargout = Olah_Citra_Single(varargin) % OLAH_CITRA_SINGLE M-file for Olah_Citra_Single.fig % OLAH_CITRA_SINGLE, by itself, creates a new OLAH_CITRA_SINGLE or raises the existing % singleton*. % % H = OLAH_CITRA_SINGLE returns the handle to a new OLAH_CITRA_SINGLE or the handle to % the existing singleton*. % % OLAH_CITRA_SINGLE('CALLBACK',hObject,eventData,handles,...) calls the local % function named CALLBACK in OLAH_CITRA_SINGLE.M with the given input arguments. % % OLAH_CITRA_SINGLE('Property','Value',...) creates a new OLAH_CITRA_SINGLE or raises the % existing singleton*. Starting from the left, property value pairs are % applied to the GUI before Olah_Citra_Single_OpeningFunction gets called. An % unrecognized property name or invalid value makes property application % stop. All inputs are passed to Olah_Citra_Single_OpeningFcn via varargin. % % *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one % instance to run (singleton)". % % See also: GUIDE, GUIDATA, GUIHANDLES % Copyright 2002-2003 The MathWorks, Inc. % Edit the above text to modify the response to help Olah_Citra_Single % Last Modified by GUIDE v2.5 22-Nov-2007 10:26:15 % Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @Olah_Citra_Single_OpeningFcn, ... 'gui_OutputFcn', @Olah_Citra_Single_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT
% --- Executes just before Olah_Citra_Single is made visible. function Olah_Citra_Single_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to Olah_Citra_Single (see VARARGIN) % Choose default command line output for Olah_Citra_Single handles.output = hObject; % Update handles structure guidata(hObject, handles); % UIWAIT makes Olah_Citra_Single wait for user response (see UIRESUME) % uiwait(handles.figure1);
% --- Outputs from this function are returned to the command line. function varargout = Olah_Citra_Single_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Get default command line output from handles structure varargout{1} = handles.output;
59
% --- Executes on button press in bukafile. function bukafile_Callback(hObject, eventdata, handles) % hObject handle to bukafile (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) [nama_file1, nama_path1]=uigetfile(... {'*.bmp;*.jpg','File Citra(*.bmp;*.jpg)'; '*.bmp','File Bitmap(*.bmp)';... '*.bmp','File jpeg(*.jpg)';... '*.*','Semua File(*.*)'},... 'Buka File Citra Host/Asli'); if~isequal(nama_file1, 0) handles.data1=imread(fullfile(nama_path1,nama_file1)); guidata(hObject,handles); handles.current_data1=handles.data1; axes(handles.ImagePreview); imaqmontage(handles.current_data1); else return; end set(handles.NamaFile,'String',nama_file1); set(handles.UkuranFileX,'String',size(handles.data1,1)); set(handles.UkuranFileY,'String',size(handles.data1,2));
% --- Executes on button press in olahcitra. function olahcitra_Callback(hObject, eventdata, handles) % hObject handle to olahcitra (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) B1=rgb2gray(handles.data1); C= imopen(B1,strel('disk',20)); c = imadjust(C); C1= edge(c, 'canny', (graythresh(c) * .2)); se90 = strel('line', 15, 90); %buat structuring element garis se0 = strel('line', 15, 0); % buat structuring element garis C2 = imdilate(C1, [se90 se0]); %ngefill objek D=imfill(C2, 'holes'); %bersiin objek yang nempel di tepi D1=imclearborder(D, 4); %citra yang tererode seD = strel('diamond',25); D2=imerode(D1,seD); D2=imerode(D2,seD); %citra yang tersegmentasi E=bwperim(D2); [k,l]=find(E); % mencari indeks matriks bagian buah luas=bwarea(E); p=impixel(handles.data1,k,l); % mendapatkan nilai pixel buah rgb_rata3=sum(p); % hitung rata-rata nilai piksel y=rgb_rata3; y1=y/luas; y2=num2str(y1); set(handles.RGBVAlue,'string',y2); y3=y1(1,1); if y3>178.51 & y3<=255 set(handles.TKVAlue,'string','Manggis Mentah'); else if y3>169.06 & y3<=178.51 set(handles.TKVAlue,'string','0'); else if y3>159.61 & y3<=169.06 set(handles.TKVAlue,'string','1'); else if y3>150.16 & y3<=159.61 set(handles.TKVAlue,'string','2'); else if y3>140.71 & y3<=150.16 set(handles.TKVAlue,'string','3'); else if y3>131.26 & y3<=140.71 set(handles.TKVAlue,'string','4'); else if y3>121.81 & y3<=131.26 set(handles.TKVAlue,'string','5'); else if y3>112.81 & y3<=121.81 set(handles.TKVAlue,'string','6'); else if y3<=112.81 set(handles.TKVAlue,'string','Terlalu Matang'); else set(handles.TKVAlue,'string','Perbaiki Posisi Objek Buah'); end; end;
60
end; end; end; end; end; end; end; %=============== if y3>178.51 set(handles.HKvalue,'string','1'); else if y3<=178.51 & y3>171.89 set(handles.HKvalue,'string','2'); else if y3<=171.89 & y3>165.28 set(handles.HKvalue,'string','3'); else if y3<=165.28 & y3>158.66 set(handles.HKvalue,'string','4'); else if y3<=158.66 & y3>152.05 set(handles.HKvalue,'string','5'); else if y3<=152.05 & y3>145.43 set(handles.HKvalue,'string','6'); else if y3<=145.43 & y3>138.82 set(handles.HKvalue,'string','7'); else if y3<=138.82 & y3>132.20 set(handles.HKvalue,'string','8'); else if y3<=132.20 & y3>125.59 set(handles.HKvalue,'string','9'); else if y3<=125.59 & y3>118.97 set(handles.HKvalue,'string','10'); else if y3<=118.97 & y3>112.36 set(handles.HKvalue,'string','11'); else if y3<=112.36 set(handles.HKvalue,'string','12'); else set(handles.HKvalue,'string','Perbaiki Posisi Objek Buah'); end end end end end end end end end end end end % --- Executes on button press in Exit. function Exit_Callback(hObject, eventdata, handles) % hObject handle to Exit (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) close;
61
Lampiran 17. Sytax Program Pengolahan Citra Manggis Melalui Kamera

function varargout = Manggis_v1(varargin) % MANGGIS_V1 M-file for Manggis_v1.fig % MANGGIS_V1, by itself, creates a new MANGGIS_V1 or raises the existing % singleton*. % % H = MANGGIS_V1 returns the handle to a new MANGGIS_V1 or the handle to % the existing singleton*. % % MANGGIS_V1('CALLBACK',hObject,eventData,handles,...) calls the local % function named CALLBACK in MANGGIS_V1.M with the given input arguments. % % MANGGIS_V1('Property','Value',...) creates a new MANGGIS_V1 or raises the % existing singleton*. Starting from the left, property value pairs are % applied to the GUI before Manggis_v1_OpeningFunction gets called. An % unrecognized property name or invalid value makes property application % stop. All inputs are passed to Manggis_v1_OpeningFcn via varargin. % % *See GUI Options on GUIDE's Tools menu. Choose "GUI allows only one % instance to run (singleton)". % % See also: GUIDE, GUIDATA, GUIHANDLES % Copyright 2002-2003 The MathWorks, Inc. % Edit the above text to modify the response to help Manggis_v1 % Last Modified by GUIDE v2.5 20-Nov-2007 06:17:52 % Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @Manggis_v1_OpeningFcn, ... 'gui_OutputFcn', @Manggis_v1_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT
% --- Executes just before Manggis_v1 is made visible. function Manggis_v1_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to Manggis_v1 (see VARARGIN) % Choose default command line output for Manggis_v1 handles.output = hObject;
% tambahan1========== % Create video object % Putting the object into manual trigger mode and then % starting the object will make GETSNAPSHOT return faster % since the connection to the camera will already have % been established. handles.video = videoinput('winvideo', 1, 'RGB24_640x480'); set(handles.video,'TimerPeriod', 0.05, ... 'TimerFcn',['if(~isempty(gco)),'... 'handles=guidata(gcf);'... 'image(getsnapshot(handles.video));'... using GETSNAPSHOT and put it into axes using IMAGE 'set(handles.cameraAxes,''ytick'',[],''xtick'',[]),'... and labels that are inserted when using IMAGE 'else '...
% Update handles % Get picture % Remove tickmarks
62
'delete(imaqfind);'... delete any image acquisition objects 'end']); triggerconfig(handles.video,'manual'); axes (handles.cameraAxes); % ========== % Update handles structure guidata(hObject, handles); % UIWAIT makes Manggis_v1 wait for user response (see UIRESUME) % uiwait(handles.figure1); % tambahan 2========== uiwait(handles.figure1); % ==========
% Clean up -
% --- Outputs from this function are returned to the command line. function varargout = Manggis_v1_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Get default command line output from handles structure % tambahan 3========== handles.output = hObject; % ========== varargout{1} = handles.output;
% --- Executes on button press in StartStopCamera. function StartStopCamera_Callback(hObject, eventdata, handles) % hObject handle to StartStopCamera (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % tambahan4========== % Start/Stop Camera tic; if strcmp(get(handles.StartStopCamera,'String'),'Start Camera') % Camera is off. Change button string and start camera. set(handles.StartStopCamera,'String','Stop Camera') start(handles.video) set(handles.CameraTimeEdit,'string',toc); else % Camera is on. Stop camera and change button string. set(handles.StartStopCamera,'String','Start Camera') stop(handles.video) end % =========== % --- Executes on button press in CaptureImage. function CaptureImage_Callback(hObject, eventdata, handles) % hObject handle to CaptureImage (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % tambahan5========== tic; global img img = getsnapshot(handles.video); image(img, 'parent', handles.imageAxes); set (handles.imageAxes, 'ytick',[],'xtick',[]); set(handles.ImageTimeEdit,'string',toc); % ========== % --- Executes on button press in SaveImage. function SaveImage_Callback(hObject, eventdata, handles) % hObject handle to SaveImage (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA)
63
% tambahan6========= global img [filename,pathname] = uiputfile( ... {'*.jpg', 'JPEG Image File'; ... '*.*', 'All Files (*.*)'}, ... 'Save current image as'); var=strcat(pathname,filename,'.jpg'); imwrite(img,var); % ==========
% --- Executes on button press in Exit. function Exit_Callback(hObject, eventdata, handles) % hObject handle to Exit (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % tambahan7========== stop(handles.video) close(gcbf) % ==========
% --- Executes on button press in OlahCitra. function OlahCitra_Callback(hObject, eventdata, handles) % hObject handle to OlahCitra (see GCBO) % eventdata reserved - to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) global img; B1=rgb2gray(img); C= imopen(B1,strel('disk',20)); c = imadjust(C); C1= edge(c, 'canny', (graythresh(c) * .2)); se90 = strel('line', 15, 90); %buat structuring element garis se0 = strel('line', 15, 0); % buat structuring element garis C2 = imdilate(C1, [se90 se0]); %ngefill objek D=imfill(C2, 'holes'); %bersiin objek yang nempel di tepi D1=imclearborder(D, 4); %citra yang tererode seD = strel('diamond',25); D2=imerode(D1,seD); D2=imerode(D2,seD); %citra yang tersegmentasi E=bwperim(D2); [k,l]=find(E); % mencari indeks matriks bagian buah luas=bwarea(E); p=impixel(img,k,l); % mendapatkan nilai pixel buah rgb_rata3=sum(p); % hitung rata-rata nilai piksel y=rgb_rata3; y1=y/luas; y2=num2str(y1); set(handles.RGBVAlue,'string',y2); y3=y1(1,1); if y3>178.51 & y3<=255 set(handles.TKVAlue,'string','Manggis Mentah'); else if y3>169.06 & y3<=178.51 set(handles.TKVAlue,'string','0'); else if y3>159.61 & y3<=169.06 set(handles.TKVAlue,'string','1'); else if y3>150.16 & y3<=159.61 set(handles.TKVAlue,'string','2'); else if y3>140.71 & y3<=150.16 set(handles.TKVAlue,'string','3'); else if y3>131.26 & y3<=140.71 set(handles.TKVAlue,'string','4'); else if y3>121.81 & y3<=131.26 set(handles.TKVAlue,'string','5'); else if y3>112.81 & y3<=121.81 set(handles.TKVAlue,'string','6'); else if y3<=112.81 set(handles.TKVAlue,'string','Terlalu Matang'); else
64
set(handles.TKVAlue,'string','Perbaiki Posisi Objek Buah'); end; end; end; end; end; end; end; end; end; %=============== if y3>178.51 set(handles.HKvalue,'string','1'); else if y3<=178.51 & y3>171.89 set(handles.HKvalue,'string','2'); else if y3<=171.89 & y3>165.28 set(handles.HKvalue,'string','3'); else if y3<=165.28 & y3>158.66 set(handles.HKvalue,'string','4'); else if y3<=158.66 & y3>152.05 set(handles.HKvalue,'string','5'); else if y3<=152.05 & y3>145.43 set(handles.HKvalue,'string','6'); else if y3<=145.43 & y3>138.82 set(handles.HKvalue,'string','7'); else if y3<=138.82 & y3>132.20 set(handles.HKvalue,'string','8'); else if y3<=132.20 & y3>125.59 set(handles.HKvalue,'string','9'); else if y3<=125.59 & y3>118.97 set(handles.HKvalue,'string','10'); else if y3<=118.97 & y3>112.36 set(handles.HKvalue,'string','11'); else if y3<=112.36 set(handles.HKvalue,'string','12'); else set(handles.HKvalue,'string','Perbaiki Posisi Objek Buah'); end end end end end end end end end end end end
65

No.31c KKP3T Roni Laporan Akhir RGB

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

No.31c KKP3T Roni Laporan Akhir RGB

Diunggah oleh

Hak Cipta:

Format Tersedia

I. PENDAHULUAN 1.1.

Tabel 1.1. Neraca Perdagangan Komoditi Manggis Tahun 1999 2004

3.887.816 5.885.038 236 3.887.580 5.885.038 data diolah (2004).

Efisiensi Proses Pengolahan

Penerimaan Produk di Mata Konsumen

Sifat Fisik / Kimia Lainnya

Gambar 2.1. Tahapan Pencitraan, Pengolahan Citra dan Analisis Citra

enhancement) contoh : perbaikan kontras gelap/terang, perbaikan tepian objek,

programming) maupun bahasa tingkat rendah (assembler).

III. PROSEDUR KERJA

Model dan Variabel Penelitian

Pencahayaan Minimum Resolusi Catu Daya Lensa

Gambar 3.1. Kamera CCD yang Digunakan Dalam Penelitian

Jumlah Lampu : 2 buah Jenis Lampu : PL

Jenis Cahaya : Day light, 6500 K

g. Perangkat lunak Microsoft Office XP Professional

Gambar 4.2. Elemen Perintah dan Hasil Proses Pencitraan

Gambar 4.3. Tampilan Pengolah Data Sebelum data Dimasukkan

Gambar 4.4. Tampilan Pengolah Data Saat Pengambilan Data Dilakukan

Fitur Warna Merah (Red) Berdasarkan Hari Kematangan

Fitur Warna Hijau (Green) Berdasarkan Hari Kematangan

Fitur Warna Biru (Blue) Berdasarkan Hari Kematangan

Sumber : www.scorpionvision.com (2007).

Lektor Muda Peneliti Madya

Agus Supriatna Somantri, Ir.

Alamat Rumah Kota Telepon E-mail Faximile No. HP

Lampiran 17. Sytax Program Pengolahan Citra Manggis Melalui Kamera

% Update handles % Get picture % Remove tickmarks

Anda mungkin juga menyukai