BAB 1.

PENDAHULUAN

1.1 Latar Belakang

Citra adalah suatu representasi, kemiripan, atau imitasi dari suatu objek atau
benda. Citra dapat dikelompokkan menjadi citra tampak dan citra tak tampak.
Banyak contoh citra tampak dalam kehidupan sehari-hari seperti foto keluarga,
citra anak, semua citra yang nampak di layar monitor dan televisi, serta hologram
(citra optis). Sedangkan citra tak nampak misalnya data citra yang tersimpan
dalam sebuah file (citra digital), dimana citra jenis ini dapat direpresentasikan
menjadi sebuah fungsi matematis yang dapat diolah. Fungsi ini biasanya
merupakan suatu kumpulan nilai piksel dalam bentuk matriks (baris dan kolom).
Di antara jenis-jenis citra tersebut, hanya citra digital yang dapat diolah
menggunakan komputer.
Grafika komputer merupakan salah satu topik dalam bidang komputer yang
tentunya tidak lepas dari pengolahan citra secara digital. Pengolahan citra secara
digital adalah pemrosesan citra dengan menggunakan komputer sehingga
menghasilkan citra baru, termasuk di dalamnya adalah perbaikan citra dan
peningkatan kualitas citra ataupun diolah sesuai dengan keinginan. Citra dapat
dipresentasikan secara visual dengan 2 dimensi (2D) atau 3 dimensi (3D).
Pengolahan citra adalah pemrosesan citra, khususnya dengan menggunakan
komputer, menjadi citra yang kualitasnya lebih baik. operasi-operasi pada
pengolahan citra diterapkan pada citra bila: (1) perbaikan atau memodifikasi citra
perlu dilakukan untuk meningkatkan kualitas penampakan atau untuk
menonjolkan beberapa aspek informasi yang terkandung di dalam citra, (2)
elemen di dalam citra perlu dikelompokkan, dicocokkan, atau diukur, (3) sebagian
citra perlu digabung dengan bagian citra yang lain. Pengolahan Citra bertujuan
memperbaiki kualitas citra agar mudah diinterpretasi oleh manusia atau mesin
(dalam hal ini komputer). Teknik-teknik pengolahan citra mentransformasikan
citra menjadi citra lain. Masukannya adalah citra dan keluarannya juga citra,
namun citra keluaran mempunyai kualitas lebih baik daripada citra masukan.

1.2 Rumusan Masalah

Dari latar belakang di atas, rumusan masalah pada laporan praktikum ini
adalah sebagai berikut.
1. Bagaimana proses pengolahan citra digital pada obyek buah pisang
ambon?
2. Bagaimana cara menentukan thresholding background (segmentasi area
dan background) pada pengolahan citra digital pada obyek buah pisang
ambon?
3. Bagaimana cara menentukan ukuran obyek buah pisang ambon dengan
pengolahan citra digital?
4. Bagaimana analisis warna RGB pada buah pisang ambon?
5. Bagaimana analisis warna HSI pada buah pisang ambon?
6. Bagaimana penerapan pengolahan citra digital pada dunia nyata?

1.3 Tujuan dan Manfaat

1.3.1 Tujuan
1. Dapat memahami dan menerapkan proses pengolahan citra digital pada
obyek buah pisang ambon.
2. Dapat memahami dan menentukan thresholding background (segmentasi
area dan background) pada pengolahan citra digital pada obyek buah
pisang ambon.
3. Dapat memahami dan mengetahui cara menentukan ukuran obyek buah
pisang ambon dengan pengolahan citra digital.
4. Mampu menganalisis warna RGB pada buah pisang ambon menggunakan
pengolahan citra digital.
5. Mampu menganalisis warna HSI pada buah pisang ambon menggunakan
pengolahan citra digital.
6. Dapat mengetahui penerapan pengolahan citra digital pada dunia nyata.
1.3.2 Manfaat

Manfaat dari pelaksanaan praktikum ini yaitu dihasilkannya program

pengolahan citra digital yang mampu mengekstraksi citra dari obyek buah pisang
ambon dengan berbagai mutu antara lain: mutu super, mutu A, mutu B dan reject
menjadi citra biner agar dapat menentukan segmentasi citra, ukuran obyek serta
analisis warna RGB dan HSI.
 BAB 2. TINJAUAN PUSTAKA

2.1 Image Processing

Pengolahan citra (Image Processing) adalah pemrosesan citra, khususnya

dengan menggunakan komputer, menjadi citra yang kualitasnya lebih baik.
operasi-operasi pada pengolahan citra diterapkan pada citra bila (Kusumanto,
2011):
1. Perbaikan atau memodifikasi citra perlu dilakukan untuk meningkatkan
kualitas penampakan atau untuk menonjolkan beberapa aspek informasi
yang terkandung di dalam citra,
2. Elemen di dalam citra perlu dikelompokkan, dicocokkan, atau diukur,
3. Sebagian citra perlu digabung dengan bagian citra yang lain. Pengolahan
Citra bertujuan memperbaiki kualitas citra agar mudah diinterpretasi oleh
manusia atau mesin (dalam hal ini komputer).

Pengolahan Citra bertujuan memperbaiki kualitas citra agar mudah

diinterpretasi oleh manusia atau mesin (dalam hal ini komputer).Teknik-teknik
pengolahan citra mentransformasikan citra menjadi citra lain. Masukannya adalah
citra dan keluarannya juga citra, namun citra keluaran mempunyai kualitas lebih
baik daripada citra masukan.

Suatu citra adalah fungsi intensitas 2 dimensi f(x, y), dimana x dan y adalah
koordinat spasial dan f pada titik (x, y) merupakan tingkat kecerahan (brightness)
suatu citra pada suatu titik. Suatu citra diperoleh dari penangkapan kekuatan sinar
yang dipantulkan oleh objek. Citra digital adalah citra f(x,y) yang telah dilakukan
digitalisasi baik koordinat area maupun brightness level. Nilai f di koordinat (x,y)
menunjukkan brightness atau grayness level dari citra pada titik tersebut. Citra
digital adalah representasi dari sebuah citra dua dimensi sebagai sebuah kumpulan
nilai digital yang disebut elemen gambar atau piksel. Piksel adalah satuan terkecil
dari citra yang mengandung nilai terkuantisasi yang mewakili brightness dari
sebuah warna pada sebuah titik tertentu. Fungsi pengolahan citra, diantaranya
adalah: digunakan sebagai proses memperbaiki kualitas citra agar mudah
diinterpretasi oleh manusia atau komputer, digunakan untuk teknik pengolahan
citra dengan mentrasformasikan citra menjadi citra lain contoh : pemampatan citra
(image compression) dan sebagai proses awal (preprocessing) dari komputer visi.

Operasi pengolahan citra dapat diklasifikasikan dalam beberapa jenis sebagai

berikut (Kusumanto, 2011):
1. Perbaikan kualitas citra (image enhancement)
Operasi ini menerima masukan sebuah citra yang gambarnya hendak dibuat
tampak lebih tajam.Jenis operasi ini bertujuan untuk memperbaiki kualitas citra
dengan cara memanipulasi parameter-parameter citra. Dengan operasi ini, ciri-ciri
khusus yang terdapat di dalam citra lebih ditonjolkan. Contoh-contoh operasi
perbaikan citra:
a. Perbaikan kontras gelap/terang
b. Perbaikan tepian objek (edge enhancement)
c. Penajaman (sharpening)
d. Pemberian warna semu (pseudocoloring)
e. Penapisan derau (noise filtering)
2. Pemugaran citra (image restoration)
Operasi ini bertujuan menghilangkan/meminimumkan cacat pada citra.
Tujuan pemugaran citra hampir sama dengan operasi perbaikan citra. Bedanya,
pada pemugaran citra penyebab degradasi gambar diketahui. Contoh-contoh
operasi pemugaran citra:
a. penghilangan kesamaran (deblurring)
b. penghilangan derau (noise)
3. Pemampatan citra (image compression).
 Jenis operasi ini dilakukan agar citra dapat direpresentasikan dalam bentuk
yang lebih kompak sehingga memerlukan memori yang lebih sedikit. Hal penting
yang harus diperhatikan dalam pemampatan adalah citra yang telah dimampatkan
harus tetap mempunyai kualitas gambar yang bagus. Contoh metode pemampatan
citra adalah metode JPEG.
4. Segmentasi citra (image segmentation).
Jenis operasi ini bertujuan untuk memecah suatu citra ke dalam beberapa
segmen dengan suatu kriteria tertentu. Jenis operasi ini berkaitan erat dengan
pengenalan pola.
5. Pengorakan citra (image analysis)
Jenis operasi ini bertujuan menghitung besaran kuantitif dari citra untuk
menghasilkan deskripsinya. Teknik pengorakan citra mengekstraksi ciri-ciri
tertentu yang membantu dalam identifikasi objek. Proses segmentasi kadangkala
diperlukan untuk melokalisasi objek yang diinginkan dari sekelilingnya. Contoh-
contoh operasi pengorakan citra:
a. Pendeteksian tepi objek (edge detection)
b. Ekstraksi batas (boundary)
c. Representasi daerah (region)
6. Rekonstruksi citra (image reconstruction)
Jenis operasi ini bertujuan untuk membentuk ulang objek dari beberapa
citra hasil proyeksi. Operasi rekonstruksi citra banyak digunakan dalam bidang
medis. Misalnya beberapa foto rontgen dengan sinar X digunakan untuk
membentuk ulang gambar organ tubuh.
2.1.1 RGB
RGB adalah singkatan dari model warna Red (merah), Green (hijau), dan
Blue (biru) yang digabungkan serta membentuk suatu susunan warna yang luas.
Model warna RGB merupakan model yang formal untuk mendefinisikan dan
menampilkan warna-warna pada monitor komputer dan televisi. Pengolahan
warna menggunakan model RGB dilakukan dengan cara membaca nilai-nilai R,
G, B pada suatu piksel, menampilkan dan menafsirkan warna hasil perhitungan
sehingga mempunyai arti sesuai dengan yang diinginkan. Cara yang digunakan
untuk menghitung nilai warna dan menafsirkan hasilnya dalam warna RGB adalah
dengan melakukan normalisasi terhadap ketiga komponen warna tersebut dengan
persamaan (Hariyanto, 2009).
Setiap komponen warna RGB memiliki rentang nilai tertentu. Untuk
monitor komputer, nilai rentangnya paling kecil yaitu 0 dan paling besar yaitu
255. Pilihan skala 256 ini didasarkan pada cara mengungkap 8 digit bilangan
biner yang digunakan oleh mesin komputer. Dengan cara ini, maka diperoleh
warna campuran sebanyak 256 x 256 x 256 = 1677726 jenis warna. Sebuah jenis
warna dalam sebuah vektor di ruang 3 dimensi yang biasanya dipakai dalam
matematika, koordinatnya dinyatakan dalam bentuk tiga bilangan, yaitu
komponen-x, komponen-y dan komponen-z.
2.1.2 HSI (Hue Saturation Intensity)
Hue digunakan untuk membedakan warna-warna dan menentukan
kemerahan (redness), kehijauan (greenness), dan sebagainya dari cahaya. Nilai
hue merupakan sudut dari warna yang mempunyai rentang nilai 0° hingga 360°.
Saturation menyatakan tingkat kemurnian warna cahaya, yaitu mengindikasikan
seberapa banyak warna putih diberikan pada warna. Tingkatan nilai saturation
berkisar dari 0% hingga 100%. Intensity menyatakan banyaknya cahaya yang
diterima oleh mata tanpa mempedulikan warna. Kisaran nilainya adalah antara
gelap (hitam) dan terang (putih). Tingkatan nilai intensitasnya dari 0% hingga
100% (Hariyanto, 2009).
2.2 Penerapan Image Processing di Kehidupan Nyata

Pengolahan citra mempunyai aplikasi yang sangat luas dalam berbagai

bidang kehidupan. Di bawah ini disebutkan beberapa aplikasi dalam beberapa
bidang:
1. Bidang perdagangan
(a) Pembacaan kode batang (bar code) yang tertera pada barang (umum
digunakan di pasar swalayan/supermarket).
(b) Mengenali huruf/angka pada suatu formulir secara otomatis.
2. Bidang militer
(a) Mengenali sasaran peluru kendali melalui sensor visual.
 (b) Mengidentifikasi jenis pesawat musuh.
3. Bidang kedokteran
(a) Pengolahan citra sinar X untuk mammografi (deteksi kanker payudara).
(b) NMR (Nuclear Magnetic Resonance).
(c) Mendeteksi kelainan tubuh dari foto sinar X.
(d) Rekonstruksi foto janin hasil USG
4. Bidang biologi
Pengenalan jenis kromosom melalui gambar mikroskopik
5. Komunikasi data
Pemampatan citra yang ditransmisi.
6. Hiburan
Pemampatan video (MPEG)
7. Robotika
Visualy-guided autonomous navigation
8. Pemetaan
Klasifikasi penggunaan tanah melalui foto udara/LANDSAT.
9. Geologi
Mengenali jenis batu-batuan melalui foto udara/LANDSAT
10. Hukum
(a) Pengenalan sidik jari
(b) Pengenalan foto narapidana.
 BAB 3. METODOLOGI

3.1 Waktu dan Tempat

Pelaksanaan praktikum dilakukan di Gedung Workshop Laboratorium

Instrumentasi Jurusan Teknik Pertanian Fakultas Teknologi Pertanian, Universitas
Jember sebagaimana berikut.
Tabel 3.1 Waktu dan Tempat Pelaksanaan Praktikum
Hari,
No Praktikum Waktu Tempat
tanggal
Laboratorium
Pembuatan
Instrumentasi
Minggu, 13 Program Citra Pukul 13.00
Jurusan Teknik
1 November Digital WIB sampai
Pertanian Fakultas
2016 menggunakan pukul 15.00
Teknologi Pertanian,
Sharp develop
Universitas Jember
Laboratorium
Melanjutkan
Instrumentasi
Minggu, 20 pembuatan Pukul 13.00
Jurusan Teknik
2 November Program Citra WIB sampai
Pertanian Fakultas
2016 Digital sampai pukul 15.00
Teknologi Pertanian,
selesai
Universitas Jember
Menjalankan
Program Citra
Digital yang telah
dibuat dan Laboratorium
mengaplikasikan Instrumentasi
Minggu, 27 Pukul 13.00
pada obyek buah Jurusan Teknik
3 November WIB sampai
pisang ambon Pertnian Fakultas
2016 pukul 15.00
dengan dengan Teknologi Pertanian,
mutu yang Universitas Jember
berbeda-beda, mutu
Super, A, B dan
reject.

3.2 Alat dan Bahan

3.2.1 Alat
Alat yang digunakan pada praktikum pengolahan citra digital ini adalah
perangkat sistem pengolah citra yang terdiri sebagai berikut.
1. Perangkat komputer atau laptop
 2. Alat tulis
3. Modul praktikum
4. Program Pengolahan citra (SharpDevelop) dan Microsoft Office Exel
3.2.2 Bahan
Bahan yang digunakan pada praktikum pengolahan citra digital ini adalah
buah pisang ambon dengan berbagai mutu yakni mutu super, mutu A, mutu B, dan
reject.
3.3 Prosedur Kerja
Berikut merupakan prosedur kerja dari praktikum yang dilaksanakan.

Mulai

Gambar Buah pisang ambon dengan

Mutu Super, A, B, dan Reject

Pengolahan Citra buah pisang ambon

pada setiap Mutu secara berurutan.

Binerisasi buah pisang ambon dengan Thresholding Biru

Analisis Citra dengan menampilkan

ukuran buah pisang ambon

Analisis Warna RGB dan HSI

buah pisang ambon

Data Hasil Pengolahan Citra (area,

tinggi, lebar, R, G, B dan H, S, I)

Selesai

Gambar 3.1. Diagram Alir proses Pengolahan Citra (Image Processing) pada
Buah Pisang Ambon
 BAB 4. HASIL DAN PEMBAHASAN

4.1 Program Pengolahan Citra

Pengolahan citra yang digunakan saat praktikum yaitu dibuat dengan
menggunakan software Sharp Develope 4.4, dengan tujuan untuk mendapatkan
variabel mutu citra dan menentukan nilai batas tiap kelas mutu obyek buah pisang
ambon. Gambar tampilan dari progran pengolahan citra yang digunakan saat
praktikum adalah sebagai berikut.

Gambar 4.1 Tampilan Program Pengolahan Citra Buah Pisang Ambon

Penjelasan dari masing-masing komponen yang terdapat dalam program
pengolahan citra di atas adalah sebagai berikut.
4.1.1 File
Didalam menu utama file terdapat sub-menu antara lain:
1. Buka file yang berfungsi membuka file citra dan menampilkan di layar
komputer.
2. Simpan file yang berfungsi menyimpan citra biner hasil pengolahan.
3. Exit yang berfungsi keluar dari program.
4.1.2 Perbaikan citra
Didalam menu utama perbaikan citra terdapat sub-menu antara lain:
1. Tingkat kecerahan yang berfungsi melakukan manipulasi citra dengan
meningkatkan kecerahannya.
2. Reduksi noise yang berfungsi memperbaiki kualitas citra dengan
melemahkan atau menghapus noise.
Berikut adalah contoh tampilan perbaikan citra pada pengolahan citra
digital:

(a) (b) (c)

Gambar 4.1 Hasil citra pisang ambon (a) gambar asli (b) setelah di tingkatkan
kecerahan (c) setelah direduksi noise.
4.1.3 Binerisasi
Didalam menu utama binerisasi terdapat sub-menu antara lain:
1. Thresholding merah yang berfungi menghasilkan citra biner dari citra
warna berdasarkan sinyal merah.
2. Thresholding hijau yang berfungsi menghasilkan citra biner dari citra
warna berdasarkan sinyal hijau.
3. Thresholding biru yang berfungsi menghasilkan citra biner dari citra
warna berdasarkan sinyal biru.
4. Thresholding grayscale yang berfungsi menghasilkan citra biner dari citra
warna berdasarkan nilai rata-rata ketiga sinyal.
5. Invert citra biner yang berfungsi sebagai membalik nilai intensitas obyek
dan nilai intensitas latar belakang.
Berikut adalah contoh tampilan binerisasi pada pengolahan citra digital
dengan obyek buah pisang ambon.
 (a) (b) (c)

(d) (e)
Gambar 4.2 (a) Thresholding merah (b) Thresholding hijau (c) Thresholding biru
(d) Thresholding grayscale (e) Invert biner
Berdasarkan gambar diatas ditunjukkan bahwa yang menghasilkan
segmentasi area dan background yang hampir sempurna adalah binerisasi
thresholding blue atau thresholding biru. Hal ini dapat terjadi karena thresholding
biru atau thresholding blue menghasilkan citra biner dari citra warna berdasarkan
sinyal biru.
4.1.4 Morfologi
Didalam menu utama morfologi terdapat sub-menu antara lain:
1. Erosi yang berfungsi mengikis obyek sebanyak satu lapis piksel untuk
membersihkan noise kecil.
2. Dilasi yang berfungsi memperbesar obyek sebanyak satu lapis piksel
untuk mengembalikan ukuran.
3. Opening yang berfungsi mengikis obyek sebanyak satu lapis piksel untuk
membersihkan noise kecil sambil menjaga ukuran obyek.
4. Closing yang berfungsi menutup celah besar satu lapis piksel untuk
menutup lubang-lubang kecil pada obyek sambil menjaga ukuran.
4.1.5 Analisis citra biner
Didalam menu utama analisis citra biner terdapat sub-menu antara lain:
1. Ukuran obyek yang berfungsi melakukan kalkulasi ukuran obyek pada
citra biner.
4.1.6 Analisis warna
Didalam menu utama analisis warna terdapat sub-menu antara lain:
1. Model warna RGB yang berfungsi menganalisa warna obyek
menggunakan model warna RGB.
2. Model warna HSI yang berfungsi menganalisa warna obyek menggunakan
model warna HSI.
4.1.7 Keterangan
Didalam menu utama keterangan terdapat sub-menu antara lain:
1. Program yang berfungsi memberikan informasi tentang program yang
dibuat.
4.2 Analisis Ukuran
Analisis ukuran adalah analisis yang didasarkan pada pembacaan nilai area,
tinggi dan lebar pada suatu obyek. Setiap mutu obyek pisang ambon dianalisis
berdasarkan ukuran obyek setelah mengalami thresholding. Berikut ini data yang
dihasilkan dari hasil analisis berupa grafik pada setiap mutu buah pisang ambon.
4.2.1 Area

Gambar 4.2.1 Grafik Analisis Ukuran Area pada Obyek Pisang Ambon
 Pada grafik diatas diketahui nilai pixel dari setiap mutu buah pisang
ambon. Dari data diatas garis biru melintang merupakan mutu Super, garis hitam
mutu A, garis orange mutu B, garis hijau mutu reject. Garis-garis tersebut
merupakan batasan mutu. Dari grafik diatas menunjukkan mutu tertinggi adalah
mutu B. Semestinya, nilai mutu yang terbesar adalah mutu super dan mutu
terkecil adalah mutu reject. Hal ini disebakan karena mutu super berkualitas lebih
baik daripada mutu reject. Tetapi, pada grafik diatas menunjukkan bahwa mutu
terbesar adalah mutu B dan terkecil adalah mutu super. Hal ini disebabkan karena
mutu B (432223) dan reject (402337) mencakup tiga mutu yang ada
(penyebarannya menyeluruh) diantaranya mutu super dan mutu A sehingga mutu
A dan super tidak terlihat.
4.2.2 Tinggi

Gambar 4.2.2 Grafik Analisis Ukuran Tinggi pada Obyek Pisang Ambon
Pada grafik diatas diketahui nilai pixel dari setiap mutu buah pisang
ambon. Dari data diatas garis biru melintang merupakan mutu super, garis hitam
mutu A, garis orange mutu B, garis hijau mutu reject. Garis-garis tersebut
merupakan batasan mutu. Dari grafik diatas menunjukkan mutu tertinggi adalah
mutu B dan reject. Hal ini dikarenakan, disebabkan karena mutu B (717) dan
reject (614) mencakup tiga mutu yang dan mendominasi penyebaran mutu super
dan mutu A sehingga mutu A dan super tidak terlihat. Pada grafik ditunjukkan
terdapat data yang bertumpang tindih dengan data lain, yakni pada mutu B kedua
(617) dan mutu B ketiga (623). Hal ini disebabkan karena nilai yang dihasilkan
hampir sama.
4.2.3 Lebar

Gambar 4.2.3 Grafik Analisis Ukuran Lebar pada Obyek Pisang Ambon
Pada grafik diatas diketahui nilai pixel dari setiap mutu buah pisang
ambon. Dari data diatas garis biru melintang merupakan mutu super, garis hitam
mutu A, garis orange mutu B, garis hijau mutu reject. Garis-garis tersebut
merupakan batasan mutu. Dari grafik diatas menunjukkan mutu tertinggi adalah
mutu B dan reject. Hal ini dikarenakan, disebabkan karena mutu B (926) dan
reject (1023) mencakup tiga mutu yang dan mendominasi penyebaran mutu super
dan mutu A sehingga mutu A dan super tidak terlihat. Seharusnya, mutu tertinggi
adalah mutu super dan mutu terendah adalah mutu reject, karena mutu super
berkualitas baik dan reject berkualitas kurang baik. Pada grafik ditunjukkan
terdapat data yang bertumpang tindih dengan data lain, yakni pada mutu B
ketujuh (816) dan mutu B kedelapan (828). Hal ini disebabkan karena nilai yang
dihasilkan hampir mendekati.
4.3 Analisis Warna
Analisis warna pada buah pisang ambon terdiri dari nilai warna RGB dan
HSI. Nilai RGB (red, green, blue), merupakan warna dasar dari komuter,
sedangkan HSI (hue, saturation, intensity) merupakan kuantitasi dari warna
merah, hijau dan biru. Berikut ini data analisis buah jeruk manis pada setiap mutu
ditunjukkan oleh grafik.
4.3.1 Analisis warna RGB

Gambar 4.3.1 Grafik Analisis Warna Red pada Obyek Pisang Ambon
Pada grafik diatas diketahui data analisis red setiap mutu buah pisang ambon.
Grafik diatas merupakan jumlah nilai warna red analisis warna pada setiap mutu
buah pisang ambon. Garis biru melintang merupakan mutu super, garis hitam
mutu A, garis orange mutu B, garis hijau mutu reject. Garis-garis tersebut
merupakan batasan mutu. Garis melintang biru merupakan mutu super sebesar
0,4310; Garis melintang hitam merupakan mutu A sebesar 0,4077; Garis
melintang hijau merupakan mutu B sebesar 0,4171; Garis melintang orange
merupakan mutu reject sebesar 0,4251. Grafik 4.3.1 menunjukkan data ke empat
mutu diatas (S, A, B dan reject) mutu super tertinggi.
 Gambar 4.3.2 Grafik Analisis Warna Green pada Obyek Pisang Ambon
Pada grafik diatas diketahui data analisis green setiap mutu buah pisang
ambon. Grafik diatas merupakan jumlah nilai warna green analisis warna pada
setiap mutu buah pisang ambon. Garis biru melintang merupakan mutu super,
garis hitam mutu A, garis orange mutu B, garis hijau mutu reject. Garis-garis
tersebut merupakan batasan mutu. Garis melintang biru merupakan mutu super
sebesar 0,5728; Garis melintang hitam merupakan mutu A sebesar 0,5658; Garis
melintang hijau merupakan mutu B sebesar 0,5896; Garis melintang orange
merupakan mutu reject sebesar 0,5517. Grafik 4.3.2 menunjukkan data pada mutu
B yang tertinggi (0,5896) seharusnya masuk pada mutu super dan pada mutu B
tertinggi ke dua (0,5517) masuk pada mutu A

Gambar 4.3.3 Grafik Analisis Warna Blue pada Obyek Pisang Ambon
 Pada grafik diatas diketahui data analisis blue setiap mutu buah pisang
ambon. Grafik diatas merupakan jumlah nilai warna blue analisis warna pada
setiap mutu buah pisang ambon. Garis biru melintang merupakan mutu super,
garis hitam mutu A, garis orange mutu B, garis hijau mutu reject. Garis-garis
tersebut merupakan batasan mutu. Garis melintang biru merupakan mutu super
sebesar 0,0510; Garis melintang hitam merupakan mutu A sebesar 0,0650; Garis
melintang hijau merupakan mutu B sebesar 0,1032; Garis melintang orange
merupakan mutu reject sebesar 0,1032. Grafik 4.3.3 menunjukkan data pada
keempat mutu tidak beraturan. Nilai analisis blue pada mutu super lebih kecil
daripada muutu yang lainnya (mutu A, mutu B dan reject).
4.3.2 Analisis warna HSI

Gambar 4.3.4 Grafik Analisis Hue Warna pada Obyek Pisang Ambon
Pada grafik diatas diketahui data analisis hue setiap mutu buah pisang
ambon. Garis melintang bewarna biru merupakan garis mutu S sebesar 88,6066
analisis warna; garis melintang bewarna hitam merupakan mutu A sebesar
89,2427 analisis warna; mutu B garis bewarna hijau sebesar 96,9841 analisis
warna; mutu reject bewarna orange sebesar 97,8408 analisis warna. Semakin
besar nilai pixel maka mutunya akan semakin baik. Seharusnya, nilai mutu super
lebih tinggi daripada nilai mutu yang lainnya. Tetapi, pada grafik tidak
ditunjukkan nilai yang demikian, hal ini dapat terjadi karena mutu B dan reject
mencakup mutu yang lainnya (mutu A dan super) dan mendominasi penyebaran
mutu super dan mutu A.

Gambar 4.3.5 Grafik Analisis Saturation Warna pada Obyek Pisang Ambon
Pada grafik diatas diketahui data analisis saturation setiap mutu buah
pisang ambon. Garis melintang bewarna biru merupakan garis mutu S sebesar
0,8896 analisis warna; garis melintang bewarna hitam merupakan mutu A sebesar
0,8659 analisis warna; mutu B garis bewarna hijau sebesar 0,8388 analisis warna;
mutu reject bewarna orange sebesar 0,8396 analisis warna. Semakin besar nilai
pixel maka mutunya akan semakin baik. Data yang dihasilkan pada gambar 4.3.5
tidak ada mutu yang mengalami loncatan angka atau titik. Mutu yang dihasilkan
pada analisis program sesuai dengan mutu yang ada.

Gambar 4.3.6 Grafik Analisis Intensity Warna pada Obyek Pisang Ambon
 Pada gambar 4.3.6 dapat diketahui nilai analisis warna setiap mutu buah
pisang ambon. Garis melintang berwarna biru merupakan mutu super yang
memiliki nilai maksimal 58 analisis warna; garis berwarna hitam merupakan mutu
A memiliki nilai maksimal mutu sama sebesar 67 analisis warna; garis hijau
merupakan mutu B memiliki nilai sebesar 68 analisis warna. Garis orange
menunjukkan batas maksimal reject yang memiliki nilai sebesar 62 analisis
warna. Grafik di atas diketahui nilai mutu B terbesar. Pada mutu A nilai yang
tertinggi (67) seharusnya masuk pada mutu super, pada mutu B nilai yang teringgi
(68) seharusnya masuk pada mutu A.
 BAB 5. KESIMPULAN

Berdasarkan hasil pembahasan di atas maka didapatkan kesimpulan

sebagai berikut.
1. Program pengolahan citra yang digunakan dalam praktikum ini mampu
menganalisis variabel mutu citra seperti area, tinggi, lebar, indeks RGB, dan
indeks HSI dari tomat
2. Analisis Warna RGB pada pengolahan citra pisang ambon didapatkan nilai
warna hijau yang lebih dominan dibandingkan nilai warna merah dan nilai
warna biru.
3. Analisis Warna HSI pada pengolahan citra buah pisang ambon didapatkan nilai
hue (H) yang lebih dominan dan mempengaruhi persamaan logika dari
intensity/ intensitas cahaya (I) dan saturation (S).
 DAFTAR PUSTAKA

Hariyanto, D. 2009. Studi Penentuan Nilai Resistor Menggunakan Seleksi Warna

Model HSI pada Citra 2D. http://www.journal.uad.ac.id. [2 Desember
2016].
Kusumanto dan Novi, A, T. 2011. Pengolahan Citra Digital Untuk Mendeteksi
Obyek Menggunakan Pengolahan Warna Model Normalisasi Rgb.
http://publikasi.dinus.ac.id/index.php/semantik/article/download/153/116
[2 Desember 2016].
 LAMPIRAN

Lampiran 1. Sebaran nilai area pada empat kelas mutu buah pisang ambon
Buah super mutu A mutu B reject
1 290012 265459 432223 402337
2 352039 268593 350106 359309
3 317358 340512 347178 168802
4 273449 389056 237478 150861
5 204182 347692 268723 194858
6 320997 365540 255510 306807
7 354354 273136 324670 273679
max 352039 389056 432223 402337
min 204182 265459 237478 150861

Lampiran 2. Sebaran nilai tinggi pada empat kelas mutu buah pisang ambon
Buah super mutu A mutu B reject
1 705 562 717 674
2 645 540 617 694
3 584 617 623 726
4 496 680 767 588
5 482 633 656 599
6 573 655 438 518
7 670 502 554 532
max 705 680 767 726
min 482 502 438 518

Lampiran 3. Sebaran nilai lebar pada empat kelas mutu buah pisang ambon
Buah super mutu A mutu B reject
1 920 666 857 848
2 762 716 809 741
3 839 803 784 966
4 765 775 905 1023
5 575 862 926 800
6 793 772 816 869
7 713 804 828 764
max 920 862 926 1023
min 575 666 784 741
Lampiran 4. Sebaran nilai R (red) pada emapt kelas mutu buah pisang ambon
Buah super mutu A mutu B reject
1 0,37610040 0,38894610 0,40474760 0,42516820
2 0,43103440 0,39651360 0,40647440 0,40124760
3 0,39180370 0,39297910 0,41717510 0,35523070
4 0,40058030 0,40773010 0,36382200 0,39348810
5 0,39505350 0,38410820 0,34766450 0,40605140
6 0,39491080 0,38942490 0,39006020 0,40675340
7 0,38563050 0,38677890 0,40546150 0,38230890
max 0,43103440 0,40773010 0,41717510 0,42516820
min 0,37610040 0,38410820 0,34766450 0,35523070

Lampiran 5. Sebaran nilai G (green) pada empat kelas mutu pisang ambon
Buah super mutu A mutu B reject
1 0,57283030 0,55987330 0,49199980 0,49974290
2 0,52839680 0,53842210 0,53395170 0,54175090
3 0,56134000 0,55070340 0,52604430 0,54405760
4 0,54873170 0,53800300 0,57190220 0,50052830
5 0,55716620 0,55673520 0,58969630 0,52418270
6 0,55903790 0,54592220 0,55820520 0,53641590
7 0,56397750 0,56583760 0,53594670 0,55176910
max 0,57283030 0,56583760 0,58969630 0,55176910
min 0,52839680 0,53800300 0,49199980 0,49974290

Lampiran 6. Sebaran nilai B (blue) pada empat kelas mutu buah pisang ambon
Buah super mutu A mutu B reject
1 0,05105507 0,05117036 0,10323820 0,07510443
2 0,04064387 0,06504481 0,05962638 0,05699019
3 0,04683577 0,05632121 0,05680198 0,10067110
4 0,05070333 0,05426997 0,06431145 0,10595720
5 0,04774053 0,05914615 0,06262991 0,06977656
6 0,04602033 0,06470536 0,05170966 0,05677262
7 0,05041578 0,04732645 0,05861505 0,06589980
max 0,05105507 0,06504481 0,10323820 0,10595720
min 0,04064387 0,04732645 0,05170966 0,05677262
Lampiran 7. Sebaran nilai H (hue) pada empat kelas mutu buah pisang ambon
Buah super mutu A mutu B reject
1 88,6066861543634 84,4525444900361 78,4819439204506 83,2135573586292
2 76,2162638169881 89,2427613020535 82,9445884940116 81,6330835632986
3 86,8781579887014 85,2909631666259 78,5510557199432 97,8408241601991
4 86,3758705767554 82,3501549793992 96,9841681396416 91,9185548744755
5 82,5451082546611 85,9981283037422 93,0682921540495 83,3842835685187
6 84,5959934239412 83,7956658597324 84,8957203105888 82,8638220690546
7 86,5888264038920 85,4649480122964 83,6421018850100 91,4431271298094
max 88,6066861543634 89,2427613020535 96,9841681396416 97,8408241601991
min 76,2162638169881 82,3501549793992 78,4819439204506 81,6330835632986

Lampiran 8. Sebaran nilai S (saturation) pada empat kelas mutu pisang ambon
Buah super mutu A mutu B reject
1 0,85833750 0,85521050 0,70091510 0,79674860
2 0,88966700 0,81993260 0,83476140 0,83965060
3 0,87081930 0,84352960 0,83882790 0,71771200
4 0,85798240 0,85215960 0,82620700 0,69874240
5 0,86380360 0,83367070 0,82455620 0,80029320
6 0,87261160 0,81621800 0,85343470 0,83983340
7 0,86095670 0,86598790 0,83830480 0,81383060
max 0,88966700 0,86598790 0,85343470 0,83983340
min 0,85798240 0,81621800 0,70091510 0,69874240

Lampiran 9. Sebaran nilai I (intensity) pada empat kelas mutu pisang ambon
Buah super mutu A mutu B reject
1 53 43 68 62
2 58 49 50 52
3 50 52 55 37
4 48 67 48 42
5 43 46 39 41
6 47 53 42 44
7 57 44 51 42
max 58 67 68 62
min 43 43 39 37