Anda di halaman 1dari 24

BAB I

PENDAHULUAN

1.1 Latar Belakang


Peran serta teknologi sangat dibutuhkan, terutama untuk kegiatan pascapanen
pertanian. Saat ini teknologi pascapanen produk pertanian semakin maju dan
berbagai penanganan pascapanen semakin baik dalam meningkatkan kualitas mutu
produk. Berbagai uji dilakukan untuk meningkatkan dan mengetahui kualitas dari
suatu produk agar produk diterima di pasaran. Salah satu pengujian yang sering
dilakukan pada produk pertanian adalah warna. Warna merupakan parameter yang
sering dilakukan pada kegiatan panen, sortasi, grading dan lain-lain. Biasanya
semakin cerah dan bersih suatu warna produk pertanian, maka grade-nya semakin
tinggi. Pada umumnya warna dari produk pertanian dipengaruhi oleh kematangan
bahan tersebut, biasanya semakin matang maka warna buah akan semakin cerah.
Pada proses penentuan warna, dapat ditetapkan dengan beberapa model yaitu
dengan Hue atau penentuan warna sesuai dengan warna sebenarnya seperti merah,
jingga, biru, hijau dan lain sebagainya. Model berikutnya adalah chrome yaitu
menyatakan kemurnian warna atau seberapa banyak warna putih yang dimiliki.
Salah satu alat yang dapat digunakan dalam pengukuran warna adalah
menggunakan pengambil citra digital. Praktikan diharapkan dapat memahami
materi yang berkaitan dengan karakteristik optik tersebut dengan menentukan
ukuran warna suatu buah atau bahan pangan dan membandingkannya menggunakan
alat pengambil citra digital dari beberapa jenis/sampel jus buah yang telah
disediakan asisten dosen.

1.2 Tujuan Praktikum


Tujuan praktikum kali ini sebagai berikut:
1.2.1 Tujuan Instruksional Umum (TIU)
Mahasiswa dapat menentukan karakteristik optik pada bahan hasil pertanian.
1.2.2 Tujuan Instruksional Khusus (TIK)
Mahasiswa dapat menganalisis warna dan menerapkan pengukuran
karakteristik optik L*, a*, b*, C dan H dengan alat Pengambil Citra Digital.
BAB II
TINJAUAN PUSTAKA

2.1 Sifat Optik Bahan Pertanian


Penilaian kualitas sensori produk bisa dilakukan dengan melihat bentuk,
ukuran, kejernihan, kekeruhan, warna, dan sifat-sifat permukaan seperti kasar-
halus, suram-mengkilap, homogen-heterogen, dan datar-bergelombang. Banyak
sifat atau mutu komoditas dapat dinilai dari warnanya. Misalnya, buah pisang jika
masih hijau dan sudut-sudut buah masih terlihat menandakan kalau buah belum
matang. Atribut sensori yang dapat diuji dengan menggunakan indera penglihatan
adalah HUE (warna), depth of color (membedakan tingkat kedalaman warna dari
gelap ke terang), brightness (mengacu pada intensitas dan kemurnian warna),
clarity (menguji dengan melihat sinar yang dapat melewati produk), shine (jumlah
sinar yang direfleksikan dari permukaan produk), evenness (keseragaman/ keadaan
rata), bentuk dan ukuran serta tekstur (Setyaningsih et al., 2010).
Satu dari karakteristik penting produk pertanian adalah warnanya, baik
eksternal maupun internal, yang dalam banyak hal dapat menentukan dengan jelas
tingkat kematangan dan kualitasnya. Klasifikasi buah-buahan dan sayuran
berdasarkan warna saat ini telah berkembang secara luas. Disamping warna, sifat
optik lain seperti sifat penyerapan cahaya (absorban), sifat penerusan
(transmittance) dan sifat pemantulan (reflectance) cahaya juga penting untuk
evaluasi kuantitatif berbagai sifat bahan. Dengan perubahan warna, kemampuan
penerusan dan pemantulan dari produk juga berubah (Purwantana, 2005).
Cahaya adalah energi radiasi berbentuk gelombang elektromagnetik dengan
rentang panjang gelombang sekitar 400-800 nm. Menurut definisi ini, warna
(seperti bau, rasa, dan tekstur) tidak dapat dipelajari tanpa sistem penginderaan
manusia. Warna yang diterima jika mata memandang objek yang disinari berkaitan
dengan tiga faktor, yaitu sumber sinar, ciri kimia dan fisika objek, dan sifat-sifat
kepekaan spektrum mata. Untuk menilai sifat objek, kita harus menstandarkan
kedua faktor yang lain (Ririn, 2011).
Gelombang elektromagnetik banyak dimanfaatkan dalam bidang pertanian,
antara lain:
1. Spektrum Visible (400-700 nm)
Digunakan untuk penentuan karakteristik mutu fisik (warna, permukaan, cacat)
bahan, indikator panen, kesegaran, serta proses sortasi dan grading.
2. Spektrum NIR (700-2500nm)
Digunakan untuk penentuan karakteristik mutu komposisi bahan (kandungan
kimia bahan) seperti kadar air, protein, lemak dan lain-lain. Selain itu dapat
digunakan untuk proses sortasi dan grading.
3. Spektrum Infrared (2500-10000nm)
Digunakan untuk pengeringan dan pemanasan (Ririn, 2011).

Seperti telah diketahui, variasi warna adalah bentuk variasi panjang gelombang
radiasi elektromagnetik. Suatu bahan akan menyerap atau memantulkan sinar
cahaya berbagai panjang gelombang secara berbeda-beda, tergantung warnanya.
Warna adalah spektrum tertentu yang terdapat di dalam suatu cahaya sempurna
(berwarna putih). Identitas suatu warna ditentukan panjang gelombang cahaya
tersebut. Panjang gelombang warna yang masih bisa ditangkap mata manusia
berkisar antara 380-780 nanometer. Dengan demikian pengukuran-pengukuran
dapat dilakukan menggunakan cahaya tunggal (monochromatic) berbagai panjang
gelombang (spectrophotometry). Spektrum cahaya nyata (visible light) pada
umumnya dibagi dalam delapan interval berdasarkan karakteristik warnanya
(Purwantana, 2005).

2.2 Atribut Warna


Warna dapat dimodelkan berdasarkan atribut warnanya. Setiap warna memiliki
3 buah atribut, yaitu intensity (I), HUE (H), dan chroma (C).
1. Intensity (I)
Atribut yang menyatakan banyaknya cahaya yang diterima oleh mata tanpa
mempedulikan warna. Kisaran nilainya adalah antara gelap (hitam) dan terang
(putih). Besaran intensity dapat dihitung langsung dengan:
R+G+B
I= ........... (1)
3
2. HUE (H)
HUE (H) menyatakan warna sebenarnya, seperti merah, violet, dan kuning.
HUE digunakan untuk membedakan warna-warna dan menentukan kemerahan
(redness), kehijauan (greenness) dari cahaya. HUE berasosiasi dengan panjan
gelombang cahaya, dan bila menyebut warna merah, violet, atau kuning sebenarnya
menspesifikasikan nilai HUE-nya. HUE merupakan sudut dari warna yang
mempunyai rentang dari 0o sampai 360o. Pada 0o menyatakan warna merah, lalu
memutar nilai-nilai spectrum warna tersebut dan kembali lagi ke 0o untuk
menyatakan merah lagi (Hariyanto, 2009). Menghuting nilai HUE digunakan rumus
berikut.
H = a tan (23(G-B) 2 R- G- B) ........... (2)

Tabel 1. Nilai HUE dan Daerah Kisaran Warna Kromatisitas.


Nilai HUE Daerah Kisaran Warna Kromatisitas
342 18 Red Purple (RP)
18 54 Red (R)
54 90 Yellow Red (YR)
90 126 Yellow (Y)
126 162 Yellow Green (YG)
162 198 Green (G)
198 234 Blue Green (BG)
234 270 Blue (B)
270 306 Blue Purple (BP)
306 342 Purple (P)
Sumber: (Hutchings, 1999).

3. Chroma (C)
Chroma (C) menyatakan tingkat kemurnian warna cahaya atau kejenuhan,
yaitu mengindikasikan seberapa banyak warna putih diberikan pada warna. Jika
HUE menyatakan warna sebenarnya maka chroma menyatakan seberapa jenuh
warna tersebut. Sebuah rona chroma tinggi tidaklah hitam, putih atau abu-abu.
Menambahkan putih, hitam atau abu-abu dapat mengurangi warna kroma. Chroma
dapat dianggap sebagai kecerahan warna dibandingkan dengan putih (Lukmandaru,
2009). Menghitung nilai chroma digunakan rumus berikut:
C = (a*2 + b*2)1/2 ........... (3)

2.3 Metode Pengukuran Warna


Ada dua metode pengukuran warna yang banyak digunakan, yaitu metode
pengukuran warna secara objektif maupun subjektif. Warna merupakan sifat
produk pangan yang dapat dipandang sebagai sifat fisik (obyektif) dan sifat
organoleptik (subyektif). Warna dapat dianalisa secara obyektif dengan instrumen
fisik dan secara organoleptik atau subyektif dengan indera manusia. Pengukuran
objektif dapat dilakukan dengan Spektrophotometer, Colorimeter atau
Chromameter, dan kamera CCD. Sedangkan pengukuran subjektif dapat dilakukan
dengan menggunakan diagram warna Chromaticity CIE 1931, Munsell, dan Hunter
(Ririn, 2011).
2.3.1 Sistem Warna Hunter (Lab)
Sistem warna Hunter dikembangkan oleh Hunter tahun 1952. Pengukuran
warna dengan metode ini jauh lebih cepat dengan ketepatan yang cukup baik. Pada
sistem ini term penilaian terdiri atas 3 parameter yaitu L, a dan b. Lokasi warna
pada sistem ini ditentukan dengan koordinat L, a, dan b. Notasi L*: 0 (hitam);
100 (putih) menyatakan cahaya pantul yang menghasilkan warna akromatik putih,
abu-abu dan hitam. Notasi a*: warna kromatik campuran merah-hijau dengan nilai
+a* (positif) dari 0 sampai +80 untuk warna merah dan nilai a* (negatif) dari 0
sampai -80 untuk warna hijau. Notasi b*: warna kromatik campuran biru-kuning
dengan nilai +b* (positif) dari 0 sampai +70 untuk warna kuning dan nilai b*
(negatif) dari 0 sampai -70 untuk warna biru (Suyatma, 2009).
Nilai L dalam pengukuran ini langsung dapat dibandingkan dengan nilai Y
pada CIE system atau value pada system Munsell. Nilai-nilai pengukuran pada
sistem Hunter bisa dikonversikan ke x, y dan z pada system CIE.
Gambar 1. Diagram Warna L*a*b*
Sumber: (Suyatma, 2009)

2.3.2 CIE (Commission International de lEclairage)


Warna-warna yang diterima oleh mata merupakan hasil kombinasi cahaya
yang panjang gelombangnya berbeda. Penelitian menun-jukkan: kombinasi warna
yang memberikan rentang warna yang paling lebar adalah Red (R), Green (G), dan
Blue (B). CIE (Commission International de lEclairage) atau International
Lighting Committee adalah lembaga yang membakukan warna pada tahun 1931.
CIE mula-mula menstandarkan panjang gelombang warna-warna pokok yaitu (R:
700 nm, G: 546.1 nm, dan B : 435.8 nm) (Gonydjaja, 2015).
Warna-warna lain dapat dihasilkan dengan mengkombinasikan ketiga warna
pokok tersebut. Model warna yang digunakan sebagai acuan dinamakan model
RGB. Ditetapkan oleh Komisi Internationale de lEclairage (CIE), ruang warna
L*a*b* dimodelkan setelah teori warna lainnya yang menyatakan bahwa dua warna
tidak bisa merah dan hijau pada waktu yang sama atau kuning dan biru pada saat
yang sama waktu. Seperti ditunjukkan di bawah, L* menunjukkan Light/terang, a*
adalah koordinat merah/hijau , dan b* adalah koordinat kuning/biru. Perbedaan
untuk L* (L*), a* (a*) dan b* (b*) bisa positif (+) atau negatif (-). Total
perbedaan, Delta E (E*), selalu positif.
1. L* (L* sampel dikurangi L* standar) = perbedaan terang dan gelap (positif
= lebih terang, negatif = gelap).
2. a* (a* sampel minus a* standar) = perbedaan merah dan hijau (positif =
merah, negatif = hijau).
3. b* (b* sampel dikurangi b* standar) = perbedaan kuning dan biru (positif =
lebih kuning, negatif = biru).
4. E* = Total perbedaan warna (Gonydjaja, 2015).
2.3.3 Colorimeter/Chromameter
Prinsip alat ini adalah mengukur parameter atau tristimulus warna XYZ
menggunakan tiga buah filter X (merah), Y (hijau), dan Z (biru). Selain tiga buah
filter, chromameter memiliki beberapa komponen penting antara lain adalah
sumber cahaya, sensor, penguat, pengolah data dan display.
Chromameter merupakan alat yang digunakan untuk mengukur warna dari
permukaan suatu objek. Prinsip dasar dari alat ini ialah interaksi antara energi
cahaya diffus dengan atom atau molekul dari objek yang dianalisis. Alat ini terdiri
atas ruang pengukuran dan pengolah data. Ruang pengukuran berfungsi sebagai
tempat untuk mengukur warna objek dengan diameter tertentu. Setiap kromameter
dengan tipe berbeda memiliki ruang pengukuran dengan diameter yang berbeda
pula. Sumber cahaya yang digunakan yaitu lampu xenon. Lampu inilah yang akan
menembak permukaan sampel yang kemudian dipantulkan menuju sensor spektral.
Selain itu, enam fotosel silikon sensitifitas tinggi dengan sistem sinar balik ganda
akan mengukur cahaya yang direfleksikan oleh sampel (Ririn, 2011).
Skema pengukuran dari kromameter yaitu sampel diberi cahaya diffus dan
diukur pada sudut tertentu. Cahaya diffus yang mengenai sampel dipantulkan pada
sudut tertentu, kemudian diteruskan ke sensor spektral, lalu dihitung menggunakan
komputer mikro. Data hasil pengukuran dapat berupa Yxy (CIE 1931), L*a*b*
(CIE 1976), Hunter Lab atau nilai tristimulus XYZ, yang sebelumnya diolah
melalui pengolah data. Sistem pengukuran yang paling sering digunakan ialah
sistem CIE L*a*b* atau CIELAB. Sistem warna CIELAB merupakan suatu skala
warna-warna yang seragam dalam dimensi warna (Ririn, 2011).

2.4 Pengolahan Warna


Persepsi warna dalam pengolahan citra tergantung kepada tiga faktor yaitu:
1. Sifat pantulan spektrum (spectral reflectance) dari suatu permukaan,
(menentukan bagaimana suatu permukaan memantulkan gelombang cahaya
hingga menampakkan suatu warna).
2. Kandungan spektrum (spectral content) dari cahaya yang menyinari
(kandungan warna dari cahaya yang menyinari permukaan).
3. Respon spektrum (spectral response) dari sensor dalam peralatan sistem visual,
(kemampuan merespon warna dari sensor dalam imaging system).

Salah satu kunci untuk mengolah warna dalam pengolahan citra adalah
menentukan model warna yang sesuai dengan persepsi manusia terhadap warna.
Model warna telah banyak dikembangkan oleh para ahli, seperti model RGB (Red,
Green, Blue), model CMY (K) (Cyan, Magenta, Yellow), model YCbCr (luminase
serta dua komponen kromasi Cb dan Cr), dan model HSI (Hue, Saturation,
Intensity). Model warna RGB merupakan model warna pokok aditif, yaitu warna
dibentuk dengan mengkombinasikan energi cahaya dari ketiga warna pokok dalam
berbagai perbandingan. Model warna HSI merupakan model warna yang paling
sesuai dengan manusia. Nilai Hue dapat diaplikasikan untuk membedakan antara
obyek dan latar belakang. Saturation (kejenuhan) yang tinggi dapat menjadi
jaminan nilai Hue yang akurat dalam membedakan obyek dan latar belakang.
Intensity merupakan nilai abu-abu dari piksel dalam citra abu-abu (Ahmad, 2005).
Tabel 2. Tabel Warna dan Deskripsinya.

Model Warna Deskripsi


Merah, Hijau, dan Biru (warna pokok).
RGB Sebuah model warna pokok aditif yang digunakna pada
sistem display.
Cyan, Magenta, Kuning (dan Hitam).
CMY (K) Sebuah model warna subtraktif yang digunakan pada mesin
printer.

Luminase (Y) dan dua komponen kromasiti (Cb dan Cr).


YcbCr
Digunakan dalam siaran gelombang televisi.

Hue, Saturasi, dan intensitas.


HIS
Berdasarkan pada persepsi manusia terhadap warna.

Sumber: (Ahmad, 2005).


Lab merupakan model warna yang dirancang untuk menyerupai persepsi
penglihatan manusia dengan menggunakan tiga komponen yaitu L sebagai
luminance (pencahayaan) dan a dan b sebagai dimensi warna yang berlawanan.
Perancangan sistem aplikasi ini menggunakan model warna Lab. Model warna ini
dipilih karena terbukti memberikan hasil yang lebih baik daripada model warna
RGB dalam mengukur nilai kemiripan ciri warna dalam citra. Model warna Lab
juga dapat digunakan untuk membuat koreksi keseimbangan warna yang lebih
akurat dan untuk mengatur kontras pencahayaan yang sulit dan tidak mungkin
dilakukan oleh model warna RGB. Dalam melakukan konversi model warna RGB
ke model warna Lab terlebih dahulu dilakukan proses konversi model warna RGB
ke CIE XYZ. Tahap selanjutnya baru dilakukan konversi model warna CIE XYZ
ke CIE Lab (Ririn, 2011).

2.5 Pengolahan Citra Digital (Imaging Processing)


Image processing adalah proses untuk mengamati dan menganalisa suatu objek
tanpa berhubungan langsung dengan objek yang diamati. Proses dan analisanya
melibatkan persepsi visual dengan data masukan maupun data keluaran yang
diperoleh berupa citra dari objek yang diamati. Teknik-teknik image processing
meliputi penajaman citra, penonjolan fitur tertentu dari suatu citra, kompresi citra
dan koreksi citra yang tidak fokus atau kabur (Ahmad, 2005). Menurut Arymurthy
dan Setiawan (1992), pengolahan citra merupakan proses pengolahan dan analisis
citra yang banyak melibatkan persepsi visual. Proses ini mempunyai ciri data
masukan dan informasi keluaran yang berbentuk citra. Citra merupakan
sekumpulan titik-titik dari gambar yang berisi informasi warna dan tidak tergantung
pada waktu. Umumnya citra dibentuk dari kotak-kotak persegi empat yang teratur
sehingga jarak horizontal dan vertikal antar pixel sama pada seluruh bagian citra.
Warna citra didapat melalui penjumlahan nilai Red, Green, Blue (RGB) (Ririn,
2011).
Menurut Arymurthy dan Setiawan (1992), citra sebagai keluaran suatu sistem
perekaman data dapat bersifat optik berupa foto, bersifat analog berupa sinyal-
sinyal video seperti gambar pada monitor televisi, atau bersifat digital yang dapat
langsung disimpan pada suatu pita magnetik. Menurut presisi yang digunakan untuk
menyatakan titik-titik koordinat pada domain spasial atau bidang dan untuk
menyatakan nilai keabuan atau warna suatu citra, maka secara teoritis citra dapat
dikelompokkan menjadi empat kelas, yaitu citra kontinu-kontinu, kontinu-diskrit,
diskrit-kontinu, dan diskrit-diskrit; dimana label pertama menyatakan presisi dari
titik-titik koordinat pada bidang citra sedangkan label kedua menyatakan presisi
nilai keabuan atau warna. Kontinu dinyatakan dengan presisi angka tak terhingga,
sedangkan diskrit dinyatakan dengan presisi angka terhingga. Komputer digital
bekerja dengan angka-angka presisi terhingga, dengan demikian hanya citra dari
kelas diskritdiskrit yang dapat diolah dengan komputer; citra dari kelas tersebut
lebih dikenal sebagai citra digital. Citra digital merupakan suatu array dua dimensi
atau suatu matriks yang elemen-elemennya menyatakan tingkat keabuan dari
elemen gambar; jadi informasi yang terkandung bersifat diskrit (Ririn, 2011).

Gambar 2. Skema Pengambilan dan Pengolahan Citra Digital


Sumber: (Ririn, 2011).

Dalam pengambilan citra, hanya citra yang berbentuk digital yang dapat
diproses oleh komputer digital, data citra yang dimasukkan berupa nilai-nilai
integer yang menunjukkan nilai intensitas cahaya atau tingkat keabuan setiap pixel.
Citra digital dapat diperoleh secara otomatis dari sistem penangkap citra
membentuk suatu matrik dimana elemen-elemennya menyatakan nilai intensitas
cahaya pada suatu himpunan diskrit dari titik. Pada pengolahan citra ada dua unsur
utama sebagai penyusunnya, yaitu perangkat keras (hardware) dan perangkat lunak
(software). Komponen utama dari perangkat keras pengolahan citra digital adalah
kamera penangkap citra, komputer, dan alat peraga. Kamera yang sering digunakan
untuk menangkap citra adalah kamera CCD (Charge Coupled Device). Sedangkan
komputer dan alat peraga yang digunakan tersebut bisa dari jenis yang multi guna
atau dari jenis khusus yang dirancang untuk pengolahan citra digital (Ririn, 2011).
Perangkat lunak (software) yang digunakan dalam pengolahan citra tergantung
pada jenis penangkap bingkai citra (image frame grabber) yang digunakan. Dari
segi penggunaan, sedikitnya ada dua jenis image frame grabber, yaitu jenis yang
bisa diprogram (programmable) dimana pustaka fungsinya disertakan dan cara
pemakaiannya dalam pemrograman dengan bahasa pemrograman tertentu
diberikan, dan jenis yang tidak bisa diprogram (non-programmable), atau
setidaknya tanpa dilengkapi buku petunjuk dan fungsi pustaka untuk melalukan
pemrograman, sehingga sulit membuat program khusus untuk menggunakannya
(Ririn, 2011).
BAB III
METODOLOGI PRAKTIKUM

3.1 Alat dan Bahan


3.1.1 Alat
Alat yang digunakan pada praktikum kali ini yaitu:
1. Alat pengambil citra digital dalam bentuk program/aplikasi citra digital
CIE Lab untuk mengukur warna pada sampel jus buah.
2. Kalkulator untuk menghitung nilai C (Chroma) dan H (derajat Hue)
teoritis.
3. Kertas asturo hitam yang ditempatkan pada bagian bawah mesin blackbox
agar hasil pengukuran warna sampel jus buah pada monitor display
mendapatkan nilai yang baik/akurat.
4. Laptop untuk menjalankan aplikasi citra digital CIE Lab menampilkan
hasil analisa warna pada monitor display.
5. Mesin blackbox yang dihubungkan dengan kamera untuk mengambil
warna dari sampel jus buah yang kemudian ditampilkan pada monitor
display.
6. Wadah sampel sebagai tempat menyimpan sampel jus buah yang akan
diamati.

3.1.2 Bahan
Bahan-bahan yang digunakan pada praktikum kali ini yaitu:
1. Jus anggur.
2. Jus apel.
3. Jus guava.
4. Jus mangga.

3.2 Prosedur Percobaan


Prosedur percobaan pada praktikum kali ini diantaranya:
1. Menyiapkan alat dan bahan yang akan digunakan dalam praktikum.
2. Menghubungkan kamera dengan blackbox dan monitor display pada posisi
yang benar.
3. Mengukur karakteristik warna L, a*, b*, C, dan H dengan menyimpan
sampel yang telah disimpan pada cawan lalu menyimpan didalam blackbox
yang memiliki alas berwarna hitam.
4. Melakukan pengulangan sebanyak 3 kali untuk mendapatkan rata-ratanya.
5. Menghitung C (Chroma) dan H (derajat Hue) untuk masing-masing sampel
dengan rumus dibawah ini:
H = tan-1 (b*/a*) dengan satuan derajat
C= [(a*)2+(b*)2]1/2
BAB IV
HASIL

4.1 Hasil Percobaan


Tabel 1. Hasil Pengukuran Sampel Menggunakan Program CIE LAB

Pengukuran Teoritis
Sampel Ulangan Gambar
L* a* b* C H C H
1 98,840 6,595 21,375 34,056 8.603 22,369 72,853
Jus 2 98,994 -6,621 19,816 34,247 8,657 20,768 72,465
A
(Apel) 3 98,776 -6,773 22,115 34,002 8,591 23,128 72,972
Rata-rata 98,87 -2,146 21,102 34,101 8,617 22,088 72,763
1 69,520 15,572 7,899 33,667 8,715 17,4609 26,8967
Jus 2 69,955 15,756 8,564 33,396 8,639 17,9330 28,5258
B
(Anggur) 3 70,255 15,365 8,563 32,428 8,378 17,5900 29,1312
Rata-rata 69,91 15,564 8,342 33,164 8,577 17,6613 28,1846
1 95,218 0,852 12,644 30,837 7,814 12,672 86,145
Jus 2 87,617 1,442 7,150 18,880 4,906 7,2409 78,597
C
(Guava) 3 83,862 1,351 5,204 10,769 2,945 8,410 82,188
Rata-rata 88,899 1,143 8,332 20,162 5,221 9,441 82,31
1 98,280 -11,446 44,013 34,293 8,611 45,476 -75,425
Jus 2 98,264 -11,547 44,582 34,294 8,610 46,053 -75,478
D
(Mangga) 3 98,447 -10,117 36,610 34,178 8,604 37,982 -75,521
Rata-rata 98,330 -11,036 41,735 34,255 8,608 43,169 -75,187
1 77,103 14,006 13,614 33,527 8,383 19,532 44,186
Jus 2 77,424 18,329 11,146 25,380 6,406 15,196 47,178
B+C 3 79,701 14,140 13,015 32,689 8,172 19,217 42,627
Rata-rata 26,46 12,825 12,591 30,532 7,653 17,982 44,66
Tabel 2. Nilai HUE dan Kisaran Warna Kromatisitas Sampel

Nilai HUE Daerah Kisaran Warna Kromatis


Sampel
Pengukuran Teoritis Pengukuran Teoritis
Jus A 86,17 72,763 Red Purple (RD) Yellow Red (YR)
Jus B 8,5773 28,1846 Red Purple (RD) Red (R)
Jus C 5,221 82,31 Red Purple (RD) Yellow Red (YR)
Jus D 8,6083 75,1875 Red Purple (RD) Yellow Red (YR)
Jus A + B 7,6536 44,66 Red Purple (RD) Red (R)

6.2 Perhitungan
1. Perhitungan Nilai H (derajat Hue)
b*
H = tan-1
a*
a. Jus A (Apel) oleh Kelompok 1
21,375
Ulangan 1 : H = tan-1 = 72,85301702
6,595
19,816
Ulangan 2 : H = tan-1 = 72,46571418
-6,261
22,115
Ulangan 3 : H = tan-1 = 72,97212648
-6,773
b. Jus B (Anggur) oleh Kelompok 2
7,899
Ulangan 1 : H = tan-1 = 26,8967035
15,572
8,564
Ulangan 2 : H = tan-1 = 26,52580375
15,756
8,563
Ulangan 3 : H = tan-1 = 26,13116716
15,365
c. Jus C (Guava) oleh Kelompok 3
12,644
Ulangan 1 : H = tan-1 = 86,145
0,852
7,150
Ulangan 2 : H = tan-1 = 78,597
1,442
5,204
Ulangan 3 : H = tan-1 = 82,188
1,351
d. Jus D (Mangga) oleh Kelompok 4
44,013
Ulangan 1 : H = tan-1 = -75,42258912
-11,446
44,582
Ulangan 2 : H = tan-1 = -75,47914914
-11,547
36,610
Ulangan 3 : H = tan-1 = -75,55211484
-10,117
e. Jus B + C (Anggur + Guava) oleh Kelompok 5
13,614
Ulangan 1 : H = tan-1 = 44,18687771
14,006
11,146
Ulangan 2 : H = tan-1 = 31,42943855
18,329
13,015
Ulangan 3 : H = tan-1 = 42,627653927
14,140
2. Perhitungan Nilai C (Chroma)
C = [(a*)2 + (b*)2]1/2
a. Jus A (Apel) oleh Kelompok 1
Ulangan 1 : C = [(6,595)2 + (21,375)2]1/2 = 22,36927
Ulangan 2 : C = [(-6,261)2 + (19,816)2]1/2 = 20,76806421
Ulangan 3 : C = [(-6,773)2 + (22,115)2]1/2 = 23,12891597
b. Jus B (Anggur) oleh Kelompok 2
Ulangan 1 : C = [(15,572)2 + (7,899)2]1/2 = 17,46085293
Ulangan 2 : C = [(15,756)2 + (8,564)2]1/2 = 17,93303187
Ulangan 3 : C = [(15,365)2 + (8,563)2]1/2 = 17,59000267
c. Jus C (Guava) oleh Kelompok 3
Ulangan 1 : C = [(0,852)2 + (12,644)2]1/2 = 12,672
Ulangan 2 : C = [(1,442)2 + (7,150)2]1/2 = 7,2409
Ulangan 3 : C = [(1,351)2 + (5,204)2]1/2 = 8,410
d. Jus D (Mangga) oleh Kelompok 4
Ulangan 1 : C = [(-11,446)2 + (44,013)2]1/2 = 45,476
Ulangan 2 : C = [(-11,547)2 + (44,582)2]1/2 = 46,053
Ulangan 3 : C = [(-10,117)2 + (36,610)2]1/2 = 37,982
e. Jus B + C (Anggur + Guava) oleh Kelompok 5
Ulangan 1 : C = [(14,006)2 + (13,614)2]1/2 = 19,532256
Ulangan 2 : C = [(18,329)2 + (11,146)2]1/2 = 21,451935397
Ulangan 3 : C = [(14,410)2 + (13,015)2]1/2 = 19,2179558

4.3 Grafik
120

100

80
L*

60
98,87 98,33
88,898
40
69,91

20
24,46
0
Jus A Jus B Jus C Jus D Jus B + C
Macam Jus

Gambar 3. Grafik L* terhadap Semua Macam Bahan

20

15

10
15,564
12,825
5
a*

0 1,143
-2,146
Jus A Jus B Jus C Jus D Jus B + C
-5 -11,036

-10

-15
Macam Jus

Gambar 4. Grafik a* terhadap Semua Macam Bahan


45

40

35

30

25
b*

20 41,735

15

10 21,102

5 12,591
8,342 8,332
0
Jus A Jus B Jus C Jus D Jus B + C
Macam Jus

Gambar 5. Grafik b* terhadap Semua Macam Bahan

160

140

120 41,735
21,102
100 8,332
L*, a*, b*

8,342 1,143
80 15,564
60
98,87 98,33 12,591
40 88,898
69,91 12,825
20
26,46
0 -2,146 -11,036
Jus A Jus B Jus C Jus D Jus B + C
-20
Macam Jus

Gambar 6. Grafik L*, a*, b* terhadap Semua Macam Bahan


BAB V
PEMBAHASAN

Praktikum kali ini membahas mengenai karakteristik optik dalam pengukuran


warna bahan hasil pertanian menggunakan alat pengambil citra digital. Percobaan
ini melibatkan suatu program/aplikasi citra digital CIE Lab untuk pengambilan dan
pengolahan citra bahan pertanian sehingga dapat diketahui ukuran warna pada
sampel jus buah yang ada. Program penangkap citra digunakan untuk merekam
citra objek dengan latar belakang atau background hitam yang berasal dari kertas
asturo hitam yang ditempatkan pada bagian bawah blackbox. Citra objek direkam
dengan resolusi tertentu menggunakan suatu kamera yang dihubungkan ke laptop.
Program pengolahan citra yang disusun dapat berfungsi untuk menentukan
beberapa parameter citra objek yang dianalisis melalui citra warna seperti indeks
warna RGB (Red, Green , Blue), nilai L* (perbedaan cerah dan terang), a*
(perbedaan antara hijau dan merah), b* (perbedaan antara biru dan kuning), dan
nilai HSI (Hue, Saturation, Intensity). Hasil yang didapat kemudian ditampilkan
pada monitor display, hasil yang diperoleh sebelumnya ditransformasikan terlebih
dahulu dari citra warna ke citra biner dan perhitungan warna RGB, Lab, dan HSI
untuk sampel jus yang ada.
Bahan pertanian yang digunakan untuk pengukuran adalah jus apel, anggur,
guava, mangga, dan campuran guava+mangga. Hal ini dilakukan untuk
membedakan pengukuran warna pada setiap sampel jus buah yang ada. Dari kelima
bahan tersebut dilakukan pengamatan 3 kali supaya didapat hasil yang valid.
Pengamatan pertama dilakukan pada jus apel, dari hasil pengamatan nilai C dan H
pada hasil pengukuran berupa nilai rata-rata yaitu 34,101 dan 8,617. Jika dilihat
dari tabel Hue, maka buah tersebut kromatisitasnya adalah berwarna Red Purple
(RD). Sedangkan jika dihitung secara teoritis jus tersebut memiliki nilai C dan H
rata-rata yaitu 22,088 dan 72,763 maka secara teoritis jus tersebut memiliki warna.
Yellow Red (YR). Apabila diamati secara kasat mata jus apel tidak memiliki warna
merah atau pun ungu. Jadi pada pengukuran ini bisa dikatakan perhitungan secara
teoritis lebih benar.
Pengamatan yang kedua dilakukan pada jus anggur dari hasil pengamatan,
nilai C dan H pada hasil penungukuran yaitu 33,164 dan 8,577. Hampir sama
dengan pengukuran pertama, jus buah tersebut kromatisitasnya adalah berwarna red
purple. Sedangkan jika dihitung secara teoritis jus tersebut memiliki nilai C dan H
yaitu 17,6613 dan 28,1846 maka secara teoritis jus tersebut memiliki warna Red.
Pada pengukuran jus anggur, apabila dilihat dari nilai teoritis dan pengukuran yang
cukup jauh maka bisa disebut terjadi kesalahan pada alat ukur atau karena
perhitungan, hal ini bisa dilihat dari derajat warna yang cukup jauh karena berada
2 kategori warna yang berbeda.
Pengamatan ketiga dilakukan pada jus guava dari hasil pengamatan ini, nilai
C dan H pada hasil penungukuran yaitu 20,162 dan 5,221 untuk jus buah ini
kromatisitasnya adalah berwarna Red Purple (RD). Sedangkan secara teoritis jus
tersebut memiliki nilai C dan H yaitu 9,441 dan 82,31 maka jus tersebut memiliki
warna Yellow Red (YR). Hasil pengukuran dengan perhitungan teoritis pada jus
guava cukup jauh. Namun, apabila dilihat dari warna yang dihasilkan, maka warna
yang paling memungkinkan adalah Yellow Red karena secara kasat mata pun jus
guava tidak memiliki warna merah atau pun ungu. Jadi pada pengukuran ini bisa
dikatakan perhitungan secara teoritis lebih benar.
Pengamatan keempat dilakukan pada jus mangga hasilnya nilai C dan H pada
hasil pengukuran yaitu 34,255 dan 8,608 jika dilihat dari table hue, maka buah
tersebut kromatisitasnya adalah berwarna Red Purple (RD). Sedangkan jika
dihitung secara teoritis jus tersebut memiliki nilai C dan H yaitu 43,169 dan -75,187
maka secara teoritis jus tersebut memiliki warna Yellow Red (YR). Sama dengan
jus guava, jika dibandingkan dengan secara kasat mata, jus mangga lebih menjurus
ke Yellow Red (YR).
Lalu pengamatan terakhir dilakukan pada campuran jus anggur dengan guava
hasilnya nilai C dan H pada hasil tidak jauh berbeda dengan pengukuran-
pengukuran sebelumnya yaitu 30,532 dan 7,653 maka buah tersebut
kromatisitasnya adalah berwarna Red Purple (RD). Sedangkan jika dihitung secara
teoritis jus tersebut memiliki nilai C dan H yaitu 17,082 dan 44,66. Nilai derajat
warnanya yaitu Red (R). Hal ini menunjukkan bahwa warna pada sampel jus
tersebut lebih dominan pada warna Red pada anggur dibandingkan warna Yellow
pada guava.
Selain dari warna yang terkandung dalam bahan, ternyata dari peletakan
bahan pun bisa mempengaruhi beberapa derajat nilai Hue, hal ini terlihat dari 3 kali
pengulangan hasilnya berbeda-beda dan yang paling akurat adalah yang
peletakannya yang tepat dibawah kamera. Selain itu, warna hitam pada kertas asturo
menyebabkan semua spektrum cahaya diserap, oleh karena itu energi radiasi yang
diterima pada warna hitam menjadi semakin besar seiring bertambahnya spekrum
cahaya yang diserap. Selain itu terdapat pengaruh interaksi cahaya terhadap objek
yang sedang diukur, seperti pantulan, serapan, penyebaran dan bayangan sebagai
akibat cahaya yang dihalangi oleh bagian objek tertentu. Kualitas lampu dan tingkat
kecerahan yang berbeda-beda juga mempengaruhi nilai kecerahan. Oleh karena itu,
sebaiknya perlu dilakukan pengukuran intensitas cahaya terlebih dahulu sebelum
pengambilan citra untuk memastikan bahwa intensitas cahaya pada saat
pengambilan citra tetap. Akan tetapi pada praktikum ini, pengukuran intensitas
cahaya tidak dilakukan karena keterbatasan praktikum dan perlakuan praktikum
bukan mengarah pada tingkat intensitas cahaya.
Selain itu pula, tingkat keseragaman pencahayaan yang kurang juga
mempengaruhi hasil pengukuran karena pencahayaan hanya dilakukan pada bagian
atas, sehingga hanya bagian atas yang terlihat terang sedangkan bagian samping
objek tidak memperoleh pencahayaan yang cukup. Pengetahuan tentang
karakteristik optik pada citra yang dimaksud mungkin meliputi sifat intensitas dari
objek, ukuran objek, bagian dari citra yang ditempati objek, jumlah dan jenis yang
berbeda dari objek-objek yang muncul dalam citra.
BAB VI
PENUTUP

6.1 Kesimpulan
Kesimpulan pada praktikum ini adalah:
1. Program pengolahan citra berfungsi untuk menentukan beberapa
parameter citra objek yang dianalisis melalui citra warna seperti indeks
warna RGB (Red, Green, Blue), nilai L* (perbedaan cerah dan terang),
a* (perbedaan antara hijau dan merah), b* (perbedaan antara biru dan
kuning), dan nilai HSI (Hue, Saturation, Intensity).
2. Jika dihitung secara teoritis, secara berurutan jus apel, anggur, guava,
mangga dan anggur+guava memiliki nilai C dan H rata-rata yaitu 22,088
dan 72,763 dengan warna. Yellow Red (YR), jus anggur yaitu 17,6613
dan 28,1846 dengan warna Red (R), jus guava yaitu 9,441 dan 82,31
dengan warna. Yellow Red (YR), jus manggar yaitu 43,169 dan -75,187
dengan warna. Yellow Red (YR) dan jus anggur+guava yaitu 44,66 dan
17,082 dengan warna Red (R).
3. Semua sampel jus yang diamati dan diukur setiap jus memiliki unsur Red
(R) dan sebagian besarnya memiliki kromatisasi warna Yellow Red (YR).
4. Peletakan bahan dapat mempengaruhi beberapa derajat nilai Hue, yang
paling akurat adalah yang peletakannya yang tepat dibawah kamera.
5. Nilai kecerahan suatu bahan dipengaruhi oleh interaksi cahaya terhadap
objek yang sedang diukur, seperti pantulan, serapan, penyebaran dan
bayangan sebagai akibat cahaya yang dihalangi oleh bagian objek
tertentu, kualitas lampu dan tingkat kecerahan yang berbeda-beda.
6.2 Saran
Adapun saran untuk praktikum ini adalah:
1. Sebelum pengambilan data sebaiknya dilakukan pengukuran terhadap
intensitas cahaya lampu yang digunakan dan dijaga kestabilannya selama
periode pengukuran.
2. Perlu dirancang penyusunan lampu pada blackbox agar pencahayaan
lebih seragam sehingga hasilnya lebih akurat.
DAFTAR PUSTAKA

Ahmad U. 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya.


Yogyakarta: Graha IlmuArymurthy AM, Setiawan S. 1992. Pengantar
Pengolahan Citra. Jakarta: PT Elex Media Komputindo.

Gonydjaja, Rosny. 2015. Mengidentifikasi Perbedaan Warna Menggunakan


Koordinat L*a*b* atau L*C*h*. Universitas Gunadarma.

Hutchings, John B. 1999. Food Color and Appearance. An-Aspen Publication.

Setyaningsih D, Apriyantono A, Sari MP. 2010. Analisis Sensori untuk Industri


Pangan dan Agro. Bogor: IPB Press.

Lukmandaru, Ganis. 2009. Sifat Kimia dan Warna Kayu Teras Jati pada Tiga Umur
Berbeda. Fakultas Kehutanan. Universitas Gadjah Mada.

Purwantana, B. 2005. Sifat Optik Bahan. Available at:


http://www.bambangpurwantana.staff.ugm.ac.id/handout2.html (diakses
pada 20 November 2016 pukul 20:38 WIB).

Ririn. 2011. Pengembangan Pengukuran Warna Menggunakan Kamera CCD


(Charge Coupled Diviced) dan Image Processing. Available at:
http://repository.ipb.ac.id/bitstream/handle/123456789/51961/F11rnu1.pdf;j
sessionid=F0FE1350A7B4044696A357DA2239FA3F?sequence=1 (diakses
pada 20 November 2016 pukul 9:02 WIB).

Suyatma, Nugraha E. 2009. Analisis Warna. Available at: http://Anpang+Lanjut+-


+Analisis+Warna+2009+NES.ppt (diakses pada 21 November 2016 pukul
20:34 WIB).
LAMPIRAN

Dokumentasi Praktikum

Gambar 7. Sampel Jus Anggur Gambar 8. Blackbox


berisi Sampel Jus Anggur

Gambar 9. Hasil Analisa Warna Jus Anggur


dengan Program CIE LAB pada Monitor Display