Laporan Praktikum Robotik2
Laporan Praktikum Robotik2
Disusun Oleh:
Jaka Suganda
F14130114
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
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
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.
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
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
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
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)
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