Laporan Praktikum Robotik

Pengolahan Citra Digital Pada Wortel

Disusun Oleh:
Jaka Suganda
F14130114

DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM

FAKULTAS TEKNOLOGI PERTANIAN
INSTITUT PERTANIAN BOGOR
2016
 PENDAHULUAN
Latar Belakang
Wortel (Daucus carota) merupakan komoditas hortikultura yang memiliki
nilai ekonomi cukup tinggi. Berdasarkan data Kementan (2015), Perkembangan
volume ekspor Indonesia terhadap wortel sampai bulan September tahun 2005
adalah 167.007 kg, setara dengan nilai US$ 36.538, sedangkan volume impor
adalah 5.802.970 kg, setara dengan nilai US$ 2.547.867.
Produksi wortel dari tahun 1997 sampai dengan tahun 2005 berfluktuasi
setiap tahunnya. Pada tahun 1997 adalah 227.321 ton, tahun 1998 adalah 332.846
ton, tahun 1999 adalah 286.536 ton, tahun 2000 adalah 326.693 ton, tahun 2001
adalah 300.648 ton, tahun 2002 adalah 282.248 ton, tahun 2003 adalah 355.802
ton, tahun 2004 adalah 423.722 ton, dan tahun 2005 adalah 440.002 ton
(Kementan 2015).
Kebutuhan wortel yang tinggi menjadikannya peluang bisnis yang
menjanjikan. Agar lebih menguntungkan, wortel dijual pada pasar modern atau
bahkan pasar internasional. Hanya saja, untuk menembus pasar internasional dan
pasar modern diburuhkan kulaitas wortel yangt bagus. Sehingga dibutuhkan
proses pemutuan sebelum wortel dijual kepasar.
Mutu kualitas hasil pertanian, termasuk wortel dapat ditentukan
berdasarkan beberapa parameter, diantaranya adalah ukuran, berat, dan warna
buah. Berdasarkan parameter kualitas mutu inilah wortel akan dikelompokkan
menjadi beberapa kelompok untuk diproses selanjutnya: misalnya untuk kualitas
ekspor atau hanya akan digunakan untuk konsumsi dalam negeri. Pemutuan
woertel umumnya dilakukan secara manual. Namun, cara manual memiliki
beberapa kekurangan yang dapat menyebabkan hasil pemutuan menjadi tidak
seragam, diantaranya adalah operator pemutu harus memiliki pengalaman dalam
pemutuan, kejelian mata, dan tingkat kelelahan yang tidak menentu. Berdasarkan
hal tersebut maka diperlukan suatu metode yang dapat menjamin keseragaman
mutu wortel. Salah satu metode pengukuran non konvensional yang dapat
digunakan untuk pemutuan adalah menggunakan pengolahan citra digital (image
processing).
Pada praktikum kali ini, dilakukan proses pemutuan wortel menggunakan
proses pengolahan citra digital. Parameter mutu yang diamati pada proses
pengolahan citra digital adalah ukuran wortel dan warna wortel yang dilakukan
secara pemutuan manual. Sedangkan proses pemutuan citra buah wortel dilakukan
menggunakan algoritma-algoritma sederhana dalam pengolahan citra digital, yaitu
deteksi indeks warna RGB dan HSI, deteksi luas area, serta filter warna grayscale
dan black-white.

Tujuan
Tujuan diadakannya praktikum kali ini adalah untuk mengetahui luasan
buah dengan menggunakan citra visual, serta mencari hubungan total padatan
terlarut (TPT), berat, kekerasan, dan luas area buah dengan proses pengolahan
warna pada citra visual.

TINJAUAN PUSTAKA
Tanaman wortel (Daucus carrota) berasal dari dataran Asia, kemudian
berkembang ke seluruh dunia, termasuk Indonesia. Wortel ditanam pada cuaca
agak dingin dan lembab, biasa ditanam sepanjang tahun, baik pada musim hujan
maupun kemarau. Daerah yang cocok ditanami wortel diatas 400 m dari
permukaan laut.
Ada berbagai macam jenis wortel, antara lain :
1 Wortel yang berumbi akar panjang, 15-20 cm dan meruncing.
2 Wortel yang berumbi akar panjang dan bulat.
3 Wortel yang berumbi akar pendek dan bulat.
Pemanenan biasanya dilakukan pada saat tanaman berumur 2.5 bulan 4
bulan, dengan garis tengah 2 cm, tergantung pada varietas dan iklim setempat,
waktu memanen sebaiknya pada saat masih muda, sebab umbi yang sud ah tua
terasa keras dan pahit.
Umbi wortel berwarna kuning kemerahan karena mengandung beta-karoten
yang tinggi, kulitnya tipis rasanya enak renyah dan agak manis (Berlin dan
Rahayu 1995).
Pengolahan citra merupakan suatu sistem dimana proses dilakukan dengan
masukan berupa citra dan keluarannya juga berupa citra. Pengolahan citra
umumnya menggunakan komputer dan diolah menjadi citra yang kualitasnya
lebih baik. Citra yang terlihat merupakan cahaya yang direfleksikan dari sumber
cahaya menerangi objek, objek memantulkan kembali sebagian dari berkas cahaya
tersebut dan pantulan cahaya ditangkap oleh alat-alat optik seperti: mata manusia,
kamera, scanner, sensor, satelit, dan sebagainya, kemudian direkam (Harianto &
Firmansyah 2010).
Meskipun sebuah citra kaya informasi, namun seringkali citra yang kita
miliki mengalami penurunan mutu (degradasi), misalnya mengandung cacat atau
derau (noise), warnanya terlalu kontras, kurang tajam, kabur (blurring), dan
sebagainya. Tentu saja citra semacam ini menjadi lebih sulit diinterpretasi karena
informasi yang disampaikan oleh citra tersebut menjadi berkurang.
Agar citra yang mengalami gangguan mudah diinterpretasi (baik oleh
manusia maupun mesin), maka citra tersebut perlu dimanipulasi menjadi citra lain
yang kualitasnya lebih baik. Bidang studi yang menyangkut hal ini adalah
pengolahan citra (image processing). Pengolahan Citra (image processing)
bertujuan memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau
mesin (dalam hal ini komputer). Teknik-teknik pengolahan citra
mentransformasikan citra menjadi citra lain.
 METODE
Waktu dan Tempat pelaksanaan

Praktikum dilaksanakan pada bulan September hingga Desember 2015 di

dua tempat, yakni: Laboratorium Teknik Pengolahan Hasil Pertanian (TPHP)
untuk pengambilan citra dan pengukuran sampel, dan Laboratorium Engineering
Design Studio (EDC) untuk pembuatan software pengolah citra.

Alat dan Bahan

Alat dan bahan yang digunakan pada praktikum pengolahan citra pada
buah wortel adalah: kamera, ruang potret, lampu, rheometer, timbangan digital
dan alat ukur dimensi, pengukur TPT, Personal Computer, Software pengolahan
citra, dan 20 buah sampel wortel.

Prosedur
Prosedur yang dilakukan pada praktikum pengolahan citra adalah sebagai berikut:
1. Rekam image sampel wortel dengan kamera.
2. Ukur dimensi dan timbang sampel wortel.
3. Ukur kekerasan dan TPT sampel wortel.
4. Buat program komputer untuk analisis citra.
5. Lakukan analisis pengolahan citra pada sampel wortel menggunakan program yang
telah dibuat.
Flow Chart

Pengambilan gambar buah dari tiga sisi

Mulai berbeda dan penimbangan berat buah
tomat sebanyak 10 sampel

Pembuatan program pengolahan citra

Pengambilan data luas pixel dan nilai
yang memiliki menu-menu pengolahan
indeks warna RGB dari 10 sampel buah
citra seperti binerisasi, funsi pengukuran
tomat tersebut dari tiga sisi.
luas dan sebagainya.

Pengolahan data luas pixel dan indeks

warna RGB dari 10 sampel buah tomat
Selesai
tersebut dari tiga sisi menjadi grafik dan
laporan

Gambar 1 Prosedur praktikum

 HASIL DAN PEMBAHASAN

Gambar 2 Interface program.

Program yang dibuat merupakan sebuah program analisis citra yang dapat
menampilkan data yang dibutuhkan dalam proses identifikasi buah (Gambar 2).
Data yang diperoleh berupa data luas area dalam piksel, data berat buah dan
indeks warna dalam RGB dan HSI. Penentuan batas seleksi pada gambar
ditentukan dengan menyeleleksi warna pada tepian gambar objek dengan latar
belakangnya dengan bantuan program colorPic (Gambar 3). Penentuan batasnya
dibuat dengan seleksi warna merah pada nilai 40. Program ini dibuat untuk
menganalisa wortel yang difoto dengn latar belakang putih dan hitam.
 Gamba
r 3 Penentuan batas seleksi menggunakan software colorPic
Perbandingan antara luas pixel dan berat buah didekati dengan pengukuran
langsung menggunakan neraca digital. Data berat kemudian diplotkan pada
program microsoft excel (Gambar 4). Sedangkan data hasil pengukuran
menggunakan program yang dikembangkan dapat dilihat pada Tabel 1 untuk
wortel dengan latar belakang hitam dan Tabel 2 untuk wortel yang difoto dengan
latar blakang putih.Dimensi dari wortel seperti diameter, panjang dan lebar dapat
dilihat pada tabel 3.

Tabel 1 Data hasil pengolahan citra (latar belakang hitam)

Rata- Rata-rata RGB (Hitam) Rata-rata HSI (Hitam)
Sampe
rata luas Berat (g)
l R G B H S I
pixel
132.194
1 43692 0.3122 0.3409 0.3466 174.0935 0.2258 34.0000
0
139.603
2 0.3193 0.3414 0.3395 172.3238 0.1957 35.0000
46141 7
154.389
3 51028 0.3076 0.3423 0.3499 171.6839 0.2547 37.0000
7
148.719
4 49154 0.3093 0.3435 0.3471 170.6796 0.2467 36.0000
8
164.643
5 54417 0.3095 0.3420 0.3489 170.4741 0.2662 39.0000
5
154.323
6 51006 0.3069 0.3430 0.3504 171.2609 0.2642 38.0000
2
148.299
7 49015 0.3131 0.3406 0.3464 172.0031 0.2401 36.0000
2
157.841
8 52169 0.3110 0.3410 0.3480 172.0334 0.2497 38.0000
9
159.820
9 52823 0.3160 0.3505 0.3336 83.3723 0.0622 240.0000
7
10 53702 162.480 0.3142 0.3371 0.3486 173.4325 0.2486 37.0000
 2
Rata 50314
rata .7

Tabel 2 Data hasil pengolahan citra (latar belakang putih)

Rata- Rata-rata RGB (Putih) Rata-rata HSI (Putih)
rata Berat
Sampel
luas (g) R G B H S I
pixel
129.086 0.331 0.31661 24
1 42665 0.355 84.0836 0.054161
7 2 4 1
135.258 0.3526 0.332 0.31726 24
2 84.0792 0.05204
44705 9 9 6 3 3
147.107 0.3558 0.332 0.31462 24
3 48621 83.213 0.059993
2 5 5 4 1
142.293 0.3571 24
4 47030 0.331 0.31469 83.2617 0.059944
4 6 1
159.188 0.3582 0.332 24
5 52614 0.3125 82.7463 0.066381
3 9 2 0
149.845 0.31421 24
6 49526 0.3565 0.332 83.3598 0.061387
3 7 1
145.273 0.331 0.31477 24
7 48015 0.3561 83.4847 0.05948
6 5 3 1
154.320 0.3545 0.333 0.31458 24
8 51005 83.5948 0.060327
2 7 7 1 2
159.451 0.3560 0.332 0.31401 24
9 52701 83.3723 0.062151
6 4 9 6 0
153.678 0.3565 0.332 0.31369 24
10 50793 83.3378 0.063177
7 3 4 1 0
48767
.5

Tabel 3 Dimensi wortel hasil pengukuran

Diameter Panjang Massa
No
d1 (cm) d2 (cm) d3 (cm) d rata-rata (cm) (cm) (gram)
3.3
1 2.71 2 2.68 17.21 125.08
2
2 3.85 2.98 2.03 2.95 18.25 133.75
3 3.5 2.9 2.2 2.87 19.04 149.85
4 3.6 2.9 2.3 2.93 18.63 145.01
5 3.4 2.9 2.2 2.83 22.37 160.79
6 3.6 3 2.45 3.02 18.65 151.06
7 3.7 3.1 2.4 3.07 17.2 148.56
8 3.6 2.8 2.4 2.93 19.37 156.89
9 3.9 2.95 2.3 3.05 19.76 161.98
 10 3.7 3 2.25 2.98 19.25 165.94
Rata- 149.8
rata 2.93 18.973 91

f(x) = 180
R = 0 160
f(x) = 0x - 0
140 R = 1
120
100
Berat (gram) 80
60
40
20
0
4200044000460004800050000520005400056000

Luas pixel

Gambar 4 Grafik hubungan antara berat dan luas pixel

Pada praktikum ini, pengolahan citra wortel dilakukan dengan dua latar
belakang, yaitu putih dan hitam. Data pada Gambar 4 merupakan hasil ploting
antara berat dan luas area pixel pada gambar dengan latar belakang hitam. Data
dengan latar belakang putih tidak digunakan dalam perhitungan karena, saat
dibinerisasi gambar hasil binerisasinya mengandung banyak noise. Untuk
menghilangkan noise, program yang dibuat menggunakan algoritma
neighborhood .
 Gambar 5 Hasil binerisasi gambar wortel dengan latar belakang putih

Gambar 6 Hasil operasi penghilangan noise dengan neighborhood

Nilai korelasi antara luas pixel dan berat buah menunjukkan angka R 2
yang tinggi yaitu mencapai 1. Sedangkan persamaan yang dihasilkan adalah y =
0.003x - 8E-12. Persamaan ini dimasukkan pada kode program sehingga dapat
diduga berat buah pada kondisi sebenarnya. Penggunaan data rata-rata ditujukan
agar pada saat pengambilan gambar dapat dilihat pada sisi manapun dan diperoleh
acuan yang baku jika program dikembangkan lebih lanjut.
Dengan persamaan y = 0.003x - 8E-12, kita bisa memperkirtakan berat
wortel berdasarkan luas area biner hasil pengolahan citra. Hubungan berat wortel
sebenarnay dan berat wortel dugaan digambarkan dalam Gambar 7. Rata-rata
selisih antara berat wortel pada pengukuran langsung dengan dan pendekatan
model program adalah 1.2479 gram. Tentu saja ini sudah cukup baik jika
dilakukan pemutuan wortel pada proses sortasi. Pengambilan gambar objek
dengan kamera berpengaruh besar terhadap nilai acuan yang dibuat. Jika jarak
objek dengan kamera berubah-ubah maka besar pikselnya juga akan berubah dan
nilia berat yang dihasilkan akan berubah pula. Oleh karena itu selain kode
program yang harus benar, pengambilan gambar objek mula-mula juga harus
benar agar proses analisis citra dapat berjalan dengan baik. Selain jarak, latar
belakang juga berpengaruh terhadap proses hasil pengolahan citra.

180
160
140
120
100
Berat dugaaan (gram) 80
60
40
20
0
125 130 135 140 145 150 155 160

Berat aktual (gram)

Gambar 7. Perbandingan berat aktual dan berat dugaan

Panjang dan diamater wortel tidak seperti berat yang dapat diperkirakan
dengan hasil pengujian ini. Hal ini karena nilai R 2 dari hasil perbandingan antara
panjang pixel dan panjang aktual hanya 0.0152, sehingga keakuratannya sangat
rendah. Hal tersebut bisa terjadi karena kesalahan pengukuran atau kesalahan
algoritma program yang dibuat.

130

125

120
f(x) = - 0.44x + 127.32
Lebar (pixel) R = 0.02
115

110

105
16 17 18 19 20 21 22 23

Diamater maksimum(mm)

Gambar 8 Perbandingan diamater maksimum dan lebar pixel

 Selain berat dan volume, salah satu parameter yang menentukan mutu
suatu produk pertanian adalah warna. Untuk menganalisi warna bisa
menaganalisis dengan berdasarkanRGB atau HSI. Pada beberapa produk
pertanian, warna biasanya menandakan kematangan, namun hal tersebut tidak
untuk wortel, karena wortel muda dan wortel tua memiliki warna yang relatif
sama. Analisis warna bisa digunakan untuk mensortasi wortel yang rusak karena
memar atau busuk, karena ketika wortel memar atau busuk akan memiliki warna
yang berbeda jika dibandingkan wortel sehat.

KESIMPULAN
Pengolahan citra digital pada buah wortel digunakan untuk mengetahui
luasan area buah wortel, indeks warna RGB, dan indeks warna HSI. Terdapat
hubungan antara luas area pixel dengan berat woertel . Nilai koefiesn determinasi
(R2) pada parameter area citra dengan berat wortel adalah 1. Namun data panjang
dan lebar pixel tidak dapat digunakan untuk memperkirakan diameter dan panjang
wortek dikarena nilai R2 sangat kecil.

DAFTAR PUSTAKA
Berlian NVA dan Rahayu E. 1995. Wortel dan Lobak . Jakarta. PT. Penebar
Swadaya.
[Kementan]. Kementrian Pertanian. 2015. Rencana Strategis Kementrian
Pertanian Tahun 2015-2019. (ID). [Online]. Diunduh tanggal 2 Januari
2016 pada http://www.pertanian.go.id/file/RENSTRA_2015-2019.pdf

Harianto dan Firmansyah Yan Mahendra.2010. Penyeleksi Ukuran

Buah Wortel dengan Menggunakan Metode Sobel pada
Peralatan Berbasis Programmable Logic Control (PLC). (ID).
[Online]. Diunduh tanggal 2 Januari 2016 pada
http://sir.stikom.edu/689/1/2010-SC-25.pdf