IDENTIFIKASI DAN PREDIKSI TINGKAT KEMATANGAN

PADA PISANG CANDI

PROPOSAL SKRIPSI

Oleh:
Nafianta Budi Purnomo Nim.1541180096

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNOLOGI INFORMASI
POLITEKNIK NEGERI MALANG
2018
IDENTIFIKASI DAN PREDIKSI TINGKAT KEMATANGAN
PADA PISANG CANDI

PROPOSAL SKRIPSI
Digunakan Sebagai Syarat Maju Ujian Diploma IV
Politeknik Negeri Malang

Oleh:
Nafianta Budi Purnomo Nim.1541180096

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNOLOGI INFORMASI
POLITEKNIK NEGERI MALANG
2018
 HALAMAN PENGESAHAN

IDENTIFIKASI DAN PREDIKSI TINGKAT KEMATANGAN

PADA PISANG CANDI

Disusun oleh:
NAFIANTA BUDI PURNOMO NIM.1541180096

Proposal Skripsi ini telah diuji pada tanggal Desember 2018

Disetujui oleh:
1. Penguji I :
NIP.

2. Penguji II :
NIP.

3. Pembimbing I : Dr.Eng. CAHYA RAHMAD S.T., M.Kom

NIP. 197202022005011002

4. Pembimbing II :
NIP.

Mengetahui,

Ketua Jurusan Ketua Program Studi

Teknologi Informasi Teknik Informatika

Rudy Ariyanto, S.T., M.Cs. Ir. Deddy Kusbianto P., M.MKom.

NIP. 19711110 199903 1 002 NIP. 19621128 198811 1 001

ii
 DAFTAR ISI
PROPOSAL SKRIPSI ............................................................................................ 1
HALAMAN PENGESAHAN ................................................................................. ii
DAFTAR ISI .......................................................................................................... iii
1. Latar Belakang................................................................................................. 4
2. Rumusan Masalah............................................................................................ 5
3. Batasan Masalah .............................................................................................. 5
4. Tujuan .............................................................................................................. 5
5. Tinjauan Pustaka.............................................................................................. 5
5.1. Image Processing .....................................................................................6
5.2 Gray Level Co-Occurrence Matrix (GLCM) ...........................................6
5.3 Hue Saturation Intensity (HSI) ................................................................7
5.3.1 Hue........................................................................................................8
5.3.2 Saturasi .................................................................................................8
5.3.3 Intensity ................................................................................................9
5.3.4 Transformasi RGB ke HSI ...................................................................9
5.4 Probabilistic Neural Network (PNN) ....................................................10
5.5 Open CV (Open Source Computer Vision Library) ..............................10
6. Metodologi Penelitian.................................................................................... 11
6.1. Metode Pengumpulan Data ...................................................................11
6.2. Metode Pengembangan..........................................................................11
6.3. Diagram Alur Sistem ..........................................................................12
7. Relevansi ....................................................................................................... 13
8. Sistematika Penulisan .................................................................................... 13
9. Jadwal Kegitan .............................................................................................. 15
DAFTAR PUSTAKA ........................................................................................... 16

iii
1. Latar Belakang

Pisang (Musa sp) adalah salah satu tanaman tropis yang banyak di
budidayakan di Indonesia. Banyak jenis pisang yang di budidayakan di
Indonesia, salah satunya adalah pisang candi, Pisang yang memiliki karakter
memiliki Panjang buah rata rata 20 cm dan berwarna kuning saat matang.
Pisang candi merupakan buah yang dijadikan produk olahan terlebih dahulu
sebelum di konsumsi.

Pisang Candi yang dijual oleh pedagang khususnya agen dipanen dalam
keadaan Mentah, hal ini di sebabkan untuk mengantisipasi kebusukan saat
proses distribusi dan penjualan karena Pisang candi hanya memiliki ketahanan
buah yang singkat sekitar 8 hari setelah matang.[1] Dan para pengolah pisang
tersebut hanya mengandalkan Indra Visual mereka untuk mengetahui
kematangan pisang dan memprediksi kematangan pisang itu secara manual.
Hal ini menyebabkan tidak konsistennya hasil dari suatu identifikasi dan
prediksi kematangan pisang tersebut, dan mengakibatkan menurunnya suatu
produk olahan pisang tersebut hinggal gagalnya suatu produksi.

Pengklasifikasian kematangan pisang dapat dilakukan dengan dua cara

yaitu cara destruktif dan non-destruktif. Untuk pengklasifikasian secara
destruktif dilakukan dengan analisis kimiawi. Namun hal tersebut hanya dapat
dilakukan dengan cara menghancurkan pisang tersebut. Sedangkan untuk
metode non-destruktif pada pisang dapat dilakukan dengan melihat dari warna
dan tekstur kulit pisang yang merupakan komponen eksternal dari pisang itu
sendiri tanpa harus membuka atau mencicipi daging dan membuat kondisi
buah tetap utuh.

Berdasar uraian permasalah tersebut maka perlu dibuat system aplikasi

Citra Digital untuk Identifikasi dan mempredikisi kematangan Pisang Candi
secara non dekstruktif. Ekstraksi feature yang diambil adalah Warna, titik
hitam pada buah dan ukuran. Feature ini sebagai variable untuk menentukan
tingkat kematangan dan prediksi kematangan pisang candi. System akan

4
memberikan output berupa tingakat kematangan pisang dan berapa hari lagi
pisang itu matang dan disiap diolah.

Dengan dibangunnya System Aplikasi Citra Digital diharapkan dapat

memudahkan para pelaku yang memanfaatkan pisang candi baik pembeli
maupun penjual untuk mengidentifikasi tingkat kematangan dan prediksi
kematangan dari pisang candi

2. Rumusan Masalah
Berdasarkan latar belakang diatas, maka dapat dirumuskan masalah sebagai
berikut:
Bagaimana cara mengidentifikasi dan memprediksi kematangan dari pisang
candi menggunakan aplikasi?

3. Batasan Masalah
Batasan Masalah yang diangkat dalam proposal ini dapat dipaparkan
sebagai berikut:
1. Input data berupa gambar pisang candi
2. Metode yang digunakan adalah Transformasi warna HIS dan GLCM
untuk ekstraksi feature dari pisang.
3. Metode yang digunakan adalah Probabilistic Neural Network untuk
mengidentifikasi dan memprediksi kematangan pisang candi

4. Tujuan
Tujuan Pembuatan sistem ini adalah:
Membuat suatu sistem aplikasi yang dapat mengidentifikasi dan
memprediksi kematangan pisang candi dengan memanfaatkan teknologi citra
digital sebagai alat bagi pengelola pisang candi dan penjual pisang candi.

5. Tinjauan Pustaka
Tinjauan pustaka merupakan bagian yang akan membahas tentang
penyelesaian masalah yang akan memberikan jalan keluarnya. Dalam hal ini
akan dikemukakan beberapa teori-teori yang berkaitan dengan masalah.

5
5.1. Image Processing
Pengolahan citra atau image processing merupakan bentuk pengolahan
sinyal yang masukannya berupa gambar, sedangkan keluaran dari pengolahan
gambar dapat berupa gambar atau sejumlah karakteristik yang berkaitan dengan
gambar. Citra adalah gambar 2 dimensi yang dihasilkan dari gambar analog dua
dimensi yang kontinu menjadi gambar diskrit melalui proses sampling. Pada
proses sampling biasanya dicari warna rata-rata dari gambar analog yang
kemudian dibulatkan
Tujuan dari pengolahan citra antara lain dapat memperbaiki kualitas
gambar dilihat dari aspek radiometrik (peningkatan kontras, transformasi
warna, restorasi citra) dan dari aspek geometrik (rotasi, translasi, skala,
transformasi geometrik). Selain itu juga pengolahan citra dilakukan untuk
proses penarikan informasi atau deskripsi objek atau pengenalan objek yang
terkandung pada citra

5.2 Gray Level Co-Occurrence Matrix (GLCM)

Analisis tekstur lazim dimanfaatkan sebagai proses antara untuk
melakukan klasifikasi dan interpretasi citra. Suatu proses klasifikasi citra
berbasis analisis tekstur pada umumnya membutuhkan tahapan ekstraksi ciri,
yang terdiri dari tiga macam metode yaitu metode statistik, metode spaktral dan
metode structural. Gray Level Co-Occurrence Matrix merupakan suatu metode
untuk melakukan ekstraksi ciri berbasis statistikal, perolehan ciri diperoleh dari
nilai piksel matrik, yang mempunyai nilai tertentu dan membentuk suatu sudut
pola [2]. Adanya matrik tersebut berdasarkan kondisi bahwa suatu matrik piksel
akan mempunyai nilai perulangan sehingga terdapat pasangan aras keabuannya
[3]. Kondisi nilai piksel tersebut dinotasikan sebagai matrik dengan jarak dua
posisi (x1, y1) dan (x2, y2). Berdasarkan kondisi tersebut terlihat bahwa untuk
membedakakan antar matrik gambar dapat dilihat berdasarkan ciri matrik
dengan menggunakan persamaan sebagai berikut;

Tabel 5.1 Formula Ektraksi Ciri

No Feature Formula
1 Contras Σ 𝑘2 𝑘 [Σ𝑖 Σ𝑗 𝑝(𝑖, 𝑗)]

6
 (i−μi)(j−μj)P(i,j)
2 Correlation Σ 𝑖,𝑗 σiσj

3 Energy Σ 𝑃(𝑖, 𝑗)2

P(i,j)
4 Homogeneity Σ 𝑖,𝑗 1+|i−j|

5 Entropy Σ𝑖,𝑗 𝑃(𝑖, 𝑗)𝑙𝑜𝑔𝑃(𝑖, 𝑗)

Dengan P(i,j) merupakan elemen baris ke-i, kolom ke-j dari occurance
matrix. 𝜇𝑖 adalah nilai rata-rata baris ke-I dan 𝜇𝑗 adalah nilai rata-rata kolom
ke-j pada matrix P. 𝜎𝑖 adalah standar deviasi baris ke-i dan 𝜎𝑗 adalah standar
deviasi kolom ke-j pada matriks P. Contrast menunjukkan ukuran penyebaran
elemenelemen matriks citra. Contrast akan memberikan nilai maksimum
apabila suatu gambar grayscale memiliki penyebaran piksel warna yang tinggi.
Correlation menunjukkan ukuran hubungan linear dari nilai graylevel piksel
ketetanggaan. Energy menunjukkan tingkat keseragaman piksel-piksel suatu
citra. Semakin tinggi nilai energy, maka semakin seragam teksturnya.
Homogenity menunjukkan ukuran kedekatan setiap elemen dari co-occurrence
matrix.

5.3 Hue Saturation Intensity (HSI)

Hue Saturation Intensity (HIS) mendefinisikan model warna dalam hal
komponennya. Ruang ini memiliki kemampuan untuk terpisah intensitas
informasi intrinsik warna, yang mengacu pada warna dan saturasi. Model ini
cocok untuk memproses gambar yang menghadirkan perubahan pencahayaan
ini disebabkan oleh fakta bahwa warna dari lingkungan dapat dibedakan satu
sama lain melalui komponen hue [4]. Cara paling umum untuk
merepresentasikan model HSI adalah kerucut ganda, seperti yang ditunjukkan
pada gambar 5.1 pusat kerucut ganda adalah keliling dibagi menjadi sudut
ukuran yang sama.

7
 Gambar 5. 1 Representasi model HSI

Persamaan yang menetapkan perubahan koordinat antara komponen kedua

ruang warna, menggunakan max-min semi-norm sebagai berikut;

I = (R+G+B)/3

S = 1-3*min(r,g,b)

5.3.1 Hue
Semua titik pada bidang yang dibatasi oleh titik black, white dan
warna, memiliki hue yang sama.

5.3.2 Saturasi
Saturasi adalah jarak terdekat antara titik titik warna dengan sumbu
intensitas, saturasi terbentuk dari bidang warna tegak lursu dengan sumbu
intensitas dan memiliki hue yang sama.

8
5.3.3 Intensity
Intensity adalah garis yang menghubungkan titik hitan dan titik
hitam, titik – titik dari garis intensity membentu garis skala abu - abu

5.3.4 Transformasi RGB ke HSI

Dengan rumus data diatas, Berikut adalah salah satu transformasi
warna RGB dan menghitung nilai HSI dengan Citra 3x3 pixel.

100 150 0 100 0 150 100 0 0

255 255 0 0 255 0 0 255 0
100 0 100 150 0 200 200 255 150
Citra 3x3 Red Citra 3x3 Green Citra 3x3 Blue
Dari citra itu tersebut didapatkan nilai hue dengan rumus sebagai berikut..

Hasil dari perhitungan didapati sebagai berikut, nilai H yang didapatkan dari
seleksi kondisi jika nilai B>G maka H = 360 – Ө, jika B<= G maka H= Ө.
Dan normalisasi rentan nilai Hue menjadi [0,1].Pada proses mencari nilai
Saturasi, rumus Saturasi didefinisikan sebagai berikut.

S = 1-3*min(r,g,b)

Dari perhitungan tersebut nilai saturasi memiliki reantan nilai [0,1]. Pada
proses pencarian nilai Intensity rumus yang digunakan adalah

I = (R+G+B)/3

Dari perhitungan tersebut rentan nilai dari Intensity adalah [0.255]. dari
tahapan perhitungan tesebut maka didapatkan transformasi nilai HUE
sebagai disajikan pada table 5.2 berikut.

9
 Normalisasi
Pixel R G B H S I
r g b

0,0 100 100 100 0.333 0.333 0.333 0.0043633 0 100

0,1 150 0 0 1.000 0.000 0.000 0.0000124 1 50

0,2 0 150 0 0.000 1.000 0.000 0.0058177 1 50

1,0 255 0 0 1.000 0.000 0.000 0.0000124 1 85

1,1 255 255 255 0.333 0.333 0.333 0.0043633 0 255

1,2 0 0 0 0.000 0.000 0.000 0.0043633 1 0

2,0 100 150 200 0.222 0.333 0.444 0.9927280 0.33 150

2,1 0 0 255 0.000 0.000 1.000 0.9941823 1 85

2,2 100 200 150 0.222 0.444 0.333 0.0072720 0.33 150

Tabel 5. 2 Representasi model HSI.

5.4 Probabilistic Neural Network (PNN)

Probabilistic Neural Network (PNN) dikembangkan pertama kali oleh
Donald Specht [5]. Probabilistic Neural Network adalah suatu metode jaringan
saraf tiruan (neural network) yang menggunakan pelatihan (training)
supervised. PNN biasanya digunakan untuk masalah klasifikasi. Secara garis
besar, menurut Haykin [5] PNN mempunyai tiga layer yaitu:
1. Input layer
Input layer merupakan layer data input bagi PNN.
2. Hidden layer
Pada layer ini menerima data dari input layer yang akan diproses dalam
3. Output layer
Pada layer ini, node output berupa binary yang menghasilkan keputusan
klasifikasi.

5.5 Open CV (Open Source Computer Vision Library)

OpenCV (Open Source Computer Vision Library) adalah library fungsi
pemrograman terutama ditujukan untuk realtime vision komputer, yang
dikembangkan oleh Intel dan sekarang didukung oleh Willow Garage. Library
ini bersifat open source untuk digunakan di bawah BSD open source lisensi.

10
Perpustakaan adalah cross-platform. Ini terutama berfokus pada pemrosesan
gambar real-time[6].

6. Metodologi Penelitian
Dalam metode penelitian ini akan menjelaskan langkah-langkah yang
dilakukan untuk merancang sistem identifikasi jumlah kendaraan sebagai
berikut:

6.1. Metode Pengumpulan Data

Metode pengumpulan data yang digunakan dalam penelitian ini adalah

pengumpulan data penunjang yang dilakukan dengan pengambilan data-data
dengan mendokumentasikan perubahan dari pisang candi secara berkala mulai
dari pisang mentah hingga matang.

6.2. Metode Pengembangan

Dalam rancang bangun sistem identifikasi kepadatan jalan raya

menggunakan metode pengembangan Software Development Live Cycle
(SDLC). Yang dimana proses initerdiri dari beberapa fase yaitu:

Gambar 6. 2. Model SDLC Waterfall

Model SDLC Waterfall merupakan metode dalam mengerjakan

pengembangan software dimana setiap fase harus dikerjakan terlebih dahulu
sebelum fase berikutnya dijalankan. Fokus terhadap masing-masing fase dapat
dilakukan secara maksimal karena tidak adanya pengerjaan yang sifatnya

11
paralel. Waterfall dianggap pendekatan yang lebih cocok digunakan untuk
proyek pembuatan sistem baru. Tetapi salah satu kelemahan paling dasar adalah
menyamakan pengembangan perangkat keras dengan perangkat lunak dengan
meniadakan perubahan saat pengembangan. Padahal, galat diketahui saat
perangkat lunak dijalankan, dan perubahan-perubahan akan sering terjadi.
Pada pembuatan ini struktur kerja yang akan diterapkan pada sistem
inimenggunakan konsep dan alur dari Software Development Life Cycle (SDLC)
Model Waterfall dan akan di jabarkan pada setiap point sesuai dengan
pekerjaanyang harus dikerjakan saat pembuatan sistem ini. Berikut merupakan

6.3. Diagram Alur Sistem

Gambar 6. 3. Diagram Alur Identifikasi Komponen GUI

Pada gambar diagram alur sistem diatas, dapat dijelaskan bahwa untuk
langkah pertama adalah input citra berupa gambar pisang yang akan diolah.

12
Lalu langkah selanjutnya adalah ekstraksi nilai RGB dari citra tersebut, dari
data nilai tersebut diolah kembali untuk ekstraksi warna serta teksture, ekstraksi
warna menggunakan transformasi warna Hue Saturation Intensity dan ekstraksi
texture menggunakan metode Gray Level Co-Occurrence Matrix setelah itu
akan didapatkan feature dari pisang tersebut, lalu data dari feature pisang
tersebut diklasifikasikan menggunakan metode Probabilistic Neural Network
(PNN). Setelah proses klasifikasi tersebut akan didapatkan keluaran berupa
hasil kematangan pisang yang diklasifikasikan menjadi matang, setengah
matang, atau mentah dan prediksi berapa hari pisang tersebut akan matang.

7. Relevansi
Relevansi merupakan hubungan antara pembuatan aplikasi yang dikerjakan
dengan bidang ilmu yang dikerjakan dengan bidang ilmu yang telah didapatkan.
Pada bagian ini diuraikan kontribusi dari hasil tugas akhir kepada bidang ilmu
pengetahuan dan teknologi. Berbeda pada jurnal sebelumnya yang berjudal
“Klasifikasi Tahap Kematangan Pisang Ambon Berdasarkan Warna
Menggunakan Naive Bayes” penulis hanya fokus terhadap feature warna RGB
dan menggunakan metode Naïve Bayes untuk mengklasifikasikan tingkat
kematangan pada pisang. Maka dari itu, pada penelitian ini penulis
menambahkan feature baru yaitu teksture sebagai variabel baru untuk
mengklasifikasikan tingkat kematangan Pisang.

8. Sistematika Penulisan
Uraian dalam laporan Skripsi penulis menyusun dengan Sistematika
penulisan sebagai berikut:

BAB I : Pendahuluan berisikan tentang latar belakang, rumusan masalah,

batasan masalah, tujuan dan manfaat.

BAB II : Landasan teori berisikan tentang tinjauan pustaka dari aplikasi yang
penulis buat.

BAB III : Berisi mengenai tahapan yang dilakukan untuk menyelesaikan

masalah pada tugas akhir yang bersumber dari proses dalam
perencanaa tugas akhir. Metode penelitian berisi urauian tentang

13
 metode pengambilan data, metode pengembangan sistem, fase-fase
pengembangan sistem.

BAB IV : Analisa dan Perancangan berisikan tentang analisa sistem aplikasi

dan perancangannya.

BAB V : Implementasi berisikan penerapan/implementasi dari aplikasi yang

telah penulis buat. Mulai dari implementasi proses dan implementasi
data.

BAB VI : Pengujian dan Pembahasan berisikan tentang pengujian proses serta

analisa dari hasil proses tersebut.

BAB VII :Kesimpulan berisikan tentang kesimpulan dan saran.nyusunan

proposal tugas akhir.[7][8][9][10]

14
9. Jadwal Kegitan

15
DAFTAR PUSTAKA

[1] dan M. Hasanah, A. N., “Karakterisasi 20 kultivar pisang buah domestik

(Musa paradisiaca) dari Banyuwangi Jawa Timur,” El Vivo, 2 (1), 20-27,
vol. 1, no. 1, pp. 419–428, 2014.
[2] X. Zhang and F. Zhang, “Images features extraction of tobacco leaves,”
Proc. - 1st Int. Congr. Image Signal Process. CISP 2008, vol. 2, no. X, pp.
773–776, 2008.
[3] V. S. Thakare and N. N. Patil, “Classification of texture using gray level
co-occurrence matrix and self-organizing map,” Proc. - Int. Conf. Electron.
Syst. Signal Process. Comput. Technol. ICESC 2014, pp. 350–355, 2014.
[4] E. Blotta, A. Bouchet, V. Ballarin, and J. Pastore, “Enhancement of
medical images in HSI color space,” J. Phys. Conf. Ser., vol. 332, no. 1,
2011.
[5] G. S. Budhi, T. F. Handayani, and R. Adipranata, “Aplikasi Pengenalan
Daun Untuk Klasifikasi Tanaman Dengan Metode Probabilistic Neural
Network,” Semin. Ilm. Nas. Komput. dan Sist. Intelijen Audit. Univ.
Gunadarma, no. Kommit, pp. 20–21, 2008.
[6] C. Nidhi and N. I. T. Kurukshetra, “Image Processing and Object
Detection,” vol. 1, no. 9, pp. 396–399, 2015.
[7] S. Mutrofin, E. Kurniawan, and U. I. Indonesia, “Ekstraksi Fitur Warna
Menggunakan Hue Saturation Value Untuk Klasifikasi Tumbuhan
Berdasarkan Citra Daun,” no. April 2015, 2016.
[8] Indarto1,Murinto2, “Deteksi Kematangan Buah Pisang Berdasarkan Fitur
Warna Citra Kulit Pisang Menggunakan Metode Transformasi Ruang
Warna HIS,” JUITA p-ISSN: 2086-9398;, vol. Volume V, no. May, 2017.
[9] M. R. B, “Aplikasi pengolahan citra untuk menentukan tingkat kematangan
buah pisang dengan menggunakan ruang warna hue,” pp. 43–47.
[10] J. Penelitian, I. Komputer, S. Embedded, D. Yulianto, and R. N.
Whidhiasih, “Klasifikasi Tahap Kematangan Pisang Ambon Berdasarkan
Warna Menggunakan Naive Bayes,” J. Penelit. Ilmu Komputer, Sist.
Embed. Log., vol. 5, no. 2, pp. 60–67, 2017.

16
17