ANALISIS WARNA RGB (Red Green Blue) PADA DAUN PADI

MENGGUNAKAN BAHASA PEMROGRAMAN PYTHON

LAPORAN KULIAH KERJA

Oleh:
Farchan Mushaf Al Ramadhani
NIM 151710201078

JURUSAN TEKNIK PERTANIAN

FAKULTAS TEKNOLOGI PERTANIAN
UNIVERSITAS JEMBER
2018
 ii

ANALISIS WARNA RGB (Red Green Blue) PADA DAUN PADI

MENGGUNAKAN BAHASA PEMROGRAMAN PYTHON

LAPORAN KULIAH KERJA

Diajukan guna memenuhi tugas Matakuliah Rekayasa Sistem Enjiniring Pertanian
(Magang)

Oleh:
Farchan Mushaf Al Ramadhani
NIM 151710201078

JURUSAN TEKNIK PERTANIAN

FAKULTAS TEKNOLOGI PERTANIAN
UNIVERSITAS JEMBER
2018

ii
 iii

PERNYATAAN

Saya yang bertandatangan di bawah ini:

Nama : Farchan Mushaf Al Ramadhani
NIM : 151710201078
menyatakan dengan sesungguhnya bahwa laporan kuliah kerja yang berjudul
“ANALISIS WARNA RGB (Red Green Blue) PADA DAUN PADI
MENGGUNAKAN BAHASA PEMROGRAMAN PYTHON” adalah benar-
benar karya sendiri, kecuali kutipan yang sudah disebutkan sumbernya, belum
pernah diajukan pada institusi manapun, dan bukan karya jiplakan. Saya
bertanggung jawab atas keabsahan dan kebenaran isinya sesuai dengan sikap
ilmiah yang harus dijunjung tinggi.
Demikian pernyataan ini kami buat sebenarnya, tanpa ada tekanan dan
paksaan dari pihak manapun serta bersedia mendapat sanksi akademik jika
ternyata di kemudian hari penyataan ini tidak benar.

Jember, 03 Desember 2018

Yang menyatakan,

Farchan Mushaf Al Ramadhani

NIM 151710201078

iii
 iv

LAPORAN KULIAH KERJA

ANALISIS WARNA RGB (Red Green Blue) PADA DAUN PADI

MENGGUNAKAN BAHASA PEMROGRAMAN PYTHON

Oleh:
Farchan Mushaf Al Ramadhani
NIM 151710201078

Pembimbing
Dosen Pembimbing/Lapang : Bayu Taruna Widjaja Putra, S.TP., M.Eng., Ph.D.

iv
 v

PENGESAHAN

Laporan Kuliah Kerja (KK) berjudul “ANALISIS WARNA RGB (Red Green
Blue) PADA DAUN PADI MENGGUNAKAN BAHASA PEMROGRAMAN
PYTHON” telah diuji dan disahkan pada:
Hari, tanggal : Senin, 03 Desember 2018
Tempat : Fakultas Teknologi Pertanian Universitas Jember

Mengetahui,
Ketua Jurusan Teknik Pertanian Dosen Pembimbing/Lapang
Fakultas Teknologi Pertanian
Universitas Jember

Dr. Sri Wahyuningsih, S.P., M.T. Bayu Taruna Widjaja Putra, S.TP., M.Eng., Ph.D.
NIP. 19721130 199903 2 001 NIP. 19841008 200812 1 002

Mengesahkan,
Dekan Fakultas Teknologi Pertanian
Universitas Jember

Dr. Siswoyo Soekarno, S.TP., M.Eng.

NIP. 19680923 199403 1 009

v
 vi

PRAKATA

Puji syukur ke hadirat Allah SWT atas segala rahmat dan hidayah-Nya
sehingga penulis dapat menyelesaikan laporan kuliah kerja yang berjudul
“ANALISIS WARNA RGB (Red Green Blue) PADA DAUN PADI
MENGGUNAKAN BAHASA PEMROGRAMAN PYTHON”. Laporan kuliah
kerja ini disusun untuk memenuhi salah satu tugas pada Matakuliah Manajemen
Proyek Keteknikan Pertanian Jurusan Teknik Pertanian Fakultas Teknologi
Pertanian Universitas Jember.
Penyusunan laporan kuliah kerja ini tidak lepas dari bantuan berbagai
pihak. Oleh karena itu, penulis mengucapkan terima kasih kepada:
1. Dr. Siswoyo Soerkarno, S.TP., M.Eng., selaku Dekan Fakultas Teknologi
Pertanian Universitas Jember;
2. Dr. Sri Wahyuningsih, S.P., M.T., selaku Ketua Jurusan Teknik Pertanian
Fakultas Teknologi Pertanian Universitas Jember;
3. Dr. Bayu Taruna Widjaja Putra, S.TP., M.Eng., selaku Dosen
Pembimbing/Lapang Magang yang telah bersedia meluangkan waktu, pikiran,
dan perhatiannya untuk membimbing, membantu, dan mengarahkan penulis
demi terselesaikannya kegiatan magang dan laporan magang ini;
4. Dr. Ir. Soni Sisbudi Harsono, M.Eng., M.Phill., selaku dosen Pengampu
Matakuliah Manejemen Proyek Keteknikan Pertanian;
5. Kedua orang tua, yang senantiasa memberikan doa, dukungan, perhatian, kasih
sayang, dan semangat;
6. Semua pihak yang tidak dapat disebutkan satu per satu.
Penulis juga menyadari bahwa pada penulisan laporan kuliah kerja ini
masih terdapat banyak kekurangan. Oleh karena itu, penulis mengharapkan kritik
dan saran yang membangun dari semua pihak demi kesempurnaan laporan kuliah
kerja ini. Semoga laporan kuliah kerja ini dapat bermanfaat bagi para pembaca.

vi
 vii

Jember, 03 Desember 2018

Penulis

vii
 viii

DAFTAR ISI

HALAMAN SAMPUL ............................................................................. i

HALAMAN JUDUL ................................................................................ ii
HALAMAN PERNYATAAN .................................................................. iii
HALAMAN PEMBIMBING .................................................................. iv
HALAMAN PENGESAHAN .................................................................. v
PRAKATA ................................................................................................ vi
DAFTAR ISI ............................................................................................. viii
DAFTAR TABEL .................................................................................... x
DAFTAR GAMBAR ................................................................................ xi
BAB 1. PENDAHULUAN ....................................................................... 1
1.1 Latar Belakang ............................................................................... 1
1.2 Rumusan Masalah .......................................................................... 1
1.3 Batasan Masalah ............................................................................ 1
1.4 Tujuan ............................................................................................. 2
1.5 Manfaat ........................................................................................... 2
BAB 2. TINJAUAN PUSTAKA .............................................................. 3
2.1 Profil CV. Agrimart Indonesia ..................................................... 3
2.2 Padi .................................................................................................. 3
2.3 Groundbased Remote Sensing ...................................................... 5
2.4 Bahasa Pemrograman Python ....................................................... 5
2.5 Indeks Warna RGB ........................................................................ 6
BAB 3. METODE PELAKSANAAN KEGIATAN .............................. 7
3.1 Waktu dan Tempat Pelaksanaan Kuliah Kerja .......................... 7
3.2 Alat dan Bahan ............................................................................... 7
3.3 Metode Pelaksanaan ...................................................................... 7
3.4 Jadwal Pelaksanaan Kuliah Kerja ............................................... 8
3.5 Tahapan Pelaksanaan .................................................................... 8
BAB 4. HASIL PELAKSANAAN KEGIATAN .................................... 11
4.1 Deskripsi CV. Agrimart Indonesia ............................................... 11

viii
 ix

4.2 Hasil Pemrograman Menggunakan Python ................................. 12

4.3 Hasil Pengujian Program Analisis Warna RGB .......................... 13
4.4 Keuntungan Menggunakan Python dalam Analisis Warna RGB
Daun Padi ........................................................................................ 17
BAB 5. PENUTUP .................................................................................... 18
5.1 Kesimpulan ..................................................................................... 18
5.2 Saran ............................................................................................... 18
DAFTAR PUSTAKA ............................................................................... 19
LAMPIRAN .............................................................................................. 20

ix
 x

DAFTAR TABEL

Tabel 3.1 Jadwal pelaksanaan kuliah kerja ................................................ 8

Tabel 4.1 Data hasil analisis warna RGB citra daun padi menggunakan
ImageJ dan Python .................................................................... 14

x
 xi

DAFTAR GAMBAR

Gambar 3.1 Flowchart tahapan pelaksanaan kegiatan kuliah kerja di

CV. Agrimart ........................................................................ 9
Gambar 4.1 Hasil pemrograman mengguankan Python 12 ....................... 12
Gambar 4.2 Citra daun padi yang direkam menggunakan Agriino
Handheld Tool ...................................................................... 13
Gambar 4.3 Data hasil pengamatan indeks warna R pada 65 citra
tanaman padi ......................................................................... 16
Gambar 4.4 Data hasil pengamatan indeks warna G pada 65 citra
tanaman padi ......................................................................... 16
Gambar 4.5 Data hasil pengamatan indeks warna B pada 65 citra
tanaman padi ......................................................................... 17

xi
 1

BAB 1. PENDAHULUAN

1.1 Latar Belakang

Indonesia merupakan negara agraris dengan sumber daya alam yang
tinggi, sehingga potensi pertanian di Indonesia sangat mendukung. Pertumbuhan
penduduk yang semakin bertambah menyebabkan kebutuhan pangan juga
meningkat sehingga mempengaruhi meningkatnya jumlah permintaan bahan
pangan. Oleh sebab itu, pertanian khususnya di Indonesia dituntut untuk
meningkatkan produktivitas pertanian agar terpenuhinya kebutuhan pangan.
Dewasa ini, perkembangan teknologi di dunia begitu pesat termasuk
perkembangan teknologi dalam bidang pertanian. Keberhasilan pertanian dapat
dilihat dari peningkatan produktivitas pertanian dan terpenuhinya permintaan
pasar. Hal tersebut dapat dicapai dengan bantuan teknologi informasi. Salah satu
peusahaan yang bergerak dalam bidang teknologi pertanian yaitu CV. Agrimart
Indonesia. CV. Agrimart Indonesia bergerak dalam bidang pertanian yang
mengembangkan pada inovasi teknologi bidang pertanian.
Analisis indeks warna RGB (Red Green Blue) pada daun padi dengan
menggunakan Python dapat dijadikan sebagai salah satu alternatif pilihan dalam
penentuan tingkat kandungan klorofil, estimasi usia tanaman, dan tingkat
kebutuhan nitrogen. Sehingga inovasi ini diharapkan dapat membantu
meningkatkan efisiensi waktu dalam hal analisis warna RGB sehingga dapat
meningkatkan produktivitas pertanian.

1.2 Rumusan Masalah

Berdasarkan latar belakang yang telah dijelaskan, rumusan masalah pada
pengamatan ini yaitu membuat aplikasi yang dapat menganalisis warna RGB pada
daun padi menggunakan bahasa pemrograman Python.

1.3 Batasan Masalah

Batasan masalah pada laporan kuliah kerja yaitu membuat aplikasi yang
dapat menganalisis warna RGB pada daun padi menggunakan bahasa
 2

pemrograman Python. Selain itu, dilakukan uji perbandingan dengan Software

ImageJ.

1.4 Tujuan
Tujuan dari penulisan laporan kuliah kerja ini yaitu sebagai berikut.
1. Mengetahui cara pembuatan aplikasi analisis warna RGB pada daun padi
menggunakan bahasa pemrograman Python.
2. Mengetahui perbandingan aplikasi analisis warna RGB menggunakan
Python dengan Software ImageJ.
3. Mengetahui keuntungan menggunakan aplikasi analisis warna RGB
menggunakan Python.

1.5 Manfaat
Manfaat dilakukannya pembuatan laporan kuliah kerja yaitu sebagai
berikut.
1. Menambah wawasan dan mengembangkan pemahaman mengenai
pembuatan aplikasi analisis warna RGB menggunakan Python.
2. Memperoleh informasi terkait perbandingan aplikasi analisis warna RGB
menggunakan Python dengan ImageJ.
3. Memperoleh informasi terkait keuntungan menggunakan aplikasi analisis
warna RGB menggunakan Python.
 3

BAB 2. TINJAUAN PUSTAKA

2.1 Profil CV. Agrimart Indonesia

Agrimart Indonesia merupakan perusahaan yang bergerak dalam bidang
pertanian yang mengembangkan pada inovasi teknologi bidang pertanian. Karena
untuk memajukan pertanian indonesia akan terwujud dengan adanya pembeharuan
inovasi. Agrimart Indonesia menawarkan jawaban untuk kebutuhan sarana
produksi pertanian yang ramah lingkungan sebagai wujud dari dukungan pada
Program Ketahanan Pangan Nasional dan untuk mewujudkan Pertanian Indonesia
yang Sehat dan Berkesinambungan. Agrimart Innovation Indonesia menciptakan
produk untuk kemajuan pertanian. Agrimart Innovation Indonesia mendukung
penggunaan beragam teknologi yang diterapkan dalam kegiatan pertanian
sehingga kegiatan pertanian menjadi lebih efisien. Agrimart Indonesia mencoba
pengembangan penerapan Precision Agriculture sehingga efisiensi dalam proses
budidaya tanaman dapat ditingkatkan mulai dari estimasi jumlah kebutuhan pupuk
pada tanaman, Internet of Things dalam bidang pertanian, bibit unggul dan lain
sebagainya. Agrimart Indonesia berinovasi menciptakan teknologi-teknologi
bersifat low cost sehingga harga teknologi yang dibuat lebih dapat dijangkau
harganya. Selain itu, Agrimart Indonesia didukung oleh sumber daya manusia
yang profesional dan ahli dalam bidang Precision Agriculture.

2.2 Padi
Botani tanaman padi dalam sistematika tumbuhan diklasifikasikan sebagai
berikut:
Divisi : Spermatophyta
Sub divisi : Angiospermae
Kelas : Monocotyledoneae
Keluarga : Graminae (Poaceae)
Genus : Oryza Linn
Spesies : Oryza sativa L
 4

Sistem perakaran tanaman padi yaitu akar tunggang yang tumbuh pada saat benih
berkecambah, akar serabut yang tumbuh setelah 5-6 hari terbentuknya akar
tunggang, akar rambut yang keluar dari akar tunggang dan akar serabut dan akar
tajuk (crown roots) yang tumbuh dari ruas batang terendah (AAK, 2000).
Tanaman padi memiliki beberapa fase pertumbuhan antara lain:
1. Fase vegetatif ; dari perkecambahan sampai terbentuknya bulir. Pada varietas
padi yang berumur pendek (120 hari) stadia ini lamanya sekitar 55 hari,
sedangkan pada varietas berumur panjang (150 hari) lamanya sekitar 85 harii.
2. Fase reproduktif ; dari terbentuknya bulir sampai pembungaan. Pada varietas
berumur pendek lamanya sekitar 35 hari dan pada varietas berumur panjang
sekitar 35 hari juga.
3. Fase pembentukan gabah atau biji ; dari pembungaan sampai pemasakan biji.
Lamanya stadia sekitar 30 hari, baik untuk varietas padi berumur pendek
maupun berumur panjang (Hanum, 2008). Masing-masing fase tersebut
memiliki beberapa stadia, yaitu :
a. Stadia 0 ; dari perkecambahan sampai timbulnya daun pertama, biasanya
memakan waktu sekitar 3 hari.
b. Stadia 1 ; stadia bibit, stadia ini lepas dari terbentuknya daun pertama
sampai terbentuk anakan pertama, lamanya sekitar 3 minggu atau sampai
pada umur 24 hari.
c. Stadia 2 ; stadia anakan, ketika jumlah anakan semakin bertambah sampai
batas maksimum, lamanya sampai 2 minggu atau saat padi berumur 40 hari.
d. Stadia 3 ; stadia perpanjangan batang, lamanya sekitar 10 hari, yaitu sampai
terbentuknya bulir, saat padi berumur 52 hari.
e. Stadia 4 ; stadia saat mulai terbentuknya bulir, lamanya sekitar 10 hari, atau
sampai padi berumur 62 hari.
f. Stadia 5 ; perkembangan bulir, lamanya sekitar 2 minggu, saat padi sampai
berumur 72 hari. Bulir tumbuh sempurna sampai terbentuknya biji.
g. Stadia 6 ; pembungaan, lamanya 10 hari, saat mulai muncul bunga, polinasi,
dan fertilisasi.
 5

h. Stadia 7 ; stadia biji berisi cairan menyerupai susu, bulir kelihatan berwarna
hijau, lamanya sekitar 2 minggu, yaitu padi berumur 94 hari.
i. Stadia 8 ; ketika biji yang lembek mulai mengeras dan berwarna kuning,
sehingga seluruh pertanaman kelihatan kekuning-kuningan. Lama stadia ini
sekitar 2 minggu, saat tanaman berumur 102 hari.
j. Stadia 9 ; stadia pemasakan biji, biji berukuran sempurna, keras dan
berwarna kuning, bulir mulai merunduk, lama stadia ini sekitar 2 minggu,
sampai padi berumur 116 hari (Hanum, 2008).

2.3 Groundbased Remote Sensing

Remote Sensing (penginderaan jauh) merupakan pengamatan suatu obyek
menggunakan sebuah alat dari jarak jauh. Penginderaan jauh adalah pengkajian
atas informasi mengenai daratan dan permukaan air bumi dengan menggunakan
citra yang diperoleh dari sudut pandang atas (overhead perspective),
menggunakan radiasi elektromagnetik dalam satu beberapa bagian dari spektrum
elektromagnetik yang dipantulkan atau dipancarkan dari permukaan bumi
(Campbell dan Wynne, 2011).
Groundbased Remote Sensing (penginderaan jauh berbasis daratan) adalah
alat utama untuk mengeksplorasi proses di atmosfer dari permukaan bumi.
Beberapa platform groundbased remote sensing yang digunakan dalam
penginderaan jauh mencakup sensor, perangkap genggam ataupun yang
menggunakan tripod. Teknik-teknik groundbased lebih sesuai untuk pengukuran-
pengukuran yang terlokalisasi dan untuk penelusuran data yang terdeteksi dari
jarak jauh (Govender dkk., 2009).

2.4 Bahasa Pemrograman Python

Python merupakan bahasa pemrograman yang freeware atau perangkat
yang bebas, tidak ada batasan dalam penyalinannya atau pendistribusiannya.
(Rakhman et al., 2014: 99). Beberapa fitur yang dimiliki oleh Python adalah
sebagai berikut.
 6

1. Memiliki kepustakaan yang luas dan memiliki tata bahasa yang jernih dan
mudah dipelajari
2. Memiliki aturan layout kode sumber yang memudahkan pengecekan,
pembacaan kembali, dan penulisan ulang kode sumber berorientasi objek
3. Memiliki sistem pengelolaan memori otomatis
4. Mudah dikembangkan dengan menciptakan modul-modul baru (Rakhman
et al., 2014: 99-100).
Dengan beberapa fitur yang dimilikinya, Python memiliki kelebihan
diantaranya adalah dapat memanajemen memori secara otomatis, pemrograman
yang berorientasi pada objek, interaktif, dinamis, dan alamiah. Selain kelebihan,
Python juga memiliki kekurangan yaitu Python tidak dapat digunakan sebagai
dasar bahasa pemrograman implementasi untuk beberapa komponen dan beberapa
penugasan terdapat di luar jangkauan Python seperti bahasa pemrograman
dinamis lainnya (Rakhman et al., 2014: 100-101).

2.5 Indeks Warna RGB

Menurut Shaik dkk. (2015), salah satu cara menghitung nilai warna dan
menafsirkan hasilnya dalam model warna RGB adalah dengan melakukan
normalisasi terhadap ketiga komponen warna tersebut. Normalisasi penting
dilakukan bila sejumlah citra ditangkap dengan penerangan yang berbeda-beda.
Hasil perhitungan tiap komponen warna pokok yang telah dinormalisasi akan
menghilangkan pengaruh penerangan, sehingga nilai untuk setiap komponen
warna dapat dibandingkan satu sama lain walaupun berasal dari citra dengan
kondisi penerangan yang tidak sama (asalkan perbedaan tersebut tidak ekstrim).
Cara melakukan normalisasi komponen warna RGB adalah sebagai berikut:
𝑅
Normalisasi warna merah 𝑟 = 𝑅+𝐺+𝐵
𝐺
Normalisasi warna hijau 𝑔 = 𝑅+𝐺+𝐵
𝐵
Normalisasi warna biru 𝑏 = 𝑅+𝐺+𝐵
 7

BAB 3. METODE PELAKSANAAN KEGIATAN

3.1 Waktu dan Tempat Pelaksanaan Kuliah Kerja

Kegiatan kuliah kerja dilaksanakan selama 45 hari kerja, dimulai pada 5
September sampai 20 Oktober. Lokasi kuliah kerja bertempat di Kantor CV.
Agrimart Indonesia Jalan Teuku Umar Kecamatan Sumbersari Kabupaten Jember.

3.2 Alat dan Bahan

3.2.1 Alat
Alat yang digunakan dalam kuliah kerja meliputi
1. Agriino Handheld Tool, digunakan untuk pengambilan data daun padi.
2. Handphone, digunakan untuk menyimpan citra padi.
3. Laptop, digunakan untuk membuat bahasa pemrograman yang dapat
menganalisis warna RGB dengan menggunakan bahasa pemrograman Python.
4. Software Python 2.7.15
5. Software ImageJ, software yang dapat mengekstrak warna RGB pada citra
daun padi.
3.2.2 Bahan
Bahan yang digunakan dalam pengamatan warna RGB yaitu daun padi.
Daun padi yang digunakan yaitu daun padi yang tumbuh dan hidup di sawah.

3.3 Metode Pelaksanaan

Metode yang digunakan dalam pelaksanaan kuliah kerja sebaga data
pendukung laporan adalah sebagai berikut.
1. Observasi atau pengamatan langsung baik dikantor dan dilahan saat
pengambilan data.
2. Wawancara dan diskusi langsung dengan pembimbing lapang.
3. Studi pustaka dengan mencari referensi yang mendukung topik dan
pelaksanaan kuliah kerja.
 8

4. Mencatat data primer dari pengamatan dan data primer dari sumber-sumber
yang dapat dipertanggungjawabkan dari kegiatan kuliah kerja.

3.4 Jadwal Pelaksanaan Kuliah Kerja

Jadwal pelaksanaan kegiatan praktek kuliah kerja menyesuaikan dengan
jadwal lembaga atau instansi yaitu dilaksanakan setiap Hari Senin sampai dengan
Jumat dimulai pada pukul 08.00-16.00. Berikut adalah kegiatan kuliah kerja di
CV. Agrimart Indonesia.
Tabel 3.1 Jadwal pelaksanaan kuliah kerja
No. Kegiatan Minggu ke-
I II III IV V VI VII
1. Pengenalan Perusahan dan Pemaparan X
Kegiatan yang akan dilakukan
2. Pengambilan Video untuk Video X
Pemasaran
3. Editing Video Pemasaran X X
4. Pembuatan Media Sosial dan Pengisian X X
Konten Web
5. Pembuatan Software Analisis Warna X X
RGB
6. Pengambilan Data di Lapang X X X
7. Kalibrasi X

3.5 Tahapan Pelaksanaan

Tahapan pelaksanaan dalam proses kuliah kerja di CV. Agrimart dapat
dilihat pada Gambar 3.1 berikut ini.
 9

Mulai

Literatur

Pelaksanaan Kegiatan Kuliah Kerja

Pengumpulan Informasi dan data melalui observasi langsung

dan data sekunder

Perumusan masalah perusahaan

Pemecahan masalah

Implementasi pemecahan masalah:

a. Pemrograman
b. Kalibrasi

Hasil

Selesai

Gambar 3.1 Flowchart tahapan pelaksanaan kegiatan kuliah kerja di CV. Agrimart

Berdasarkan Gambar 3.1 tahapan pelaksanaan kegiatan kuliah kerja untuk

implementasi pemecahan masalah yaitu sebagai berikut.
a. Pemrograman
Tahapan pemrograman dilakukan langsung dengan menggunakan laptop
dan bantuan beberapa komponen komputer seperti monitor, mouse, dan keyboard.
Pemrograman dilakukan dengan menggunakan Software Python 2.7.15 dengan
bahasa pemrograman Python. Dalam tahapan ini, pembuatan program disesuaikan
dengan perintah-perintah yang diinginkan.
b Kalibrasi
Kalibrasi merupakan proses yang digunakan untuk menstandarkan
Software penganalisis warna RGB yang dibuat. Proses kalibrasi sangat penting
untuk mendapatkan data yang valid. Pada tahap ini, citra daun padi ditangkap
menggunakan Agriino Handheld Tool Agrimart kemudian dianalisis
 10

menggunakan Software penganalisis warna RGB yang dibuat dengan bahasa

pemrograman Python, hasil analisis tersebut kemudian dibandingkan dengan
Software standar yang sudah ada. Perbandingan yang digunakan pada tahapan ini
adalah metode regresi dan korelasi.
 11

BAB 4. HASIL PELAKSANAAN KEGIATAN

4.1 Deskripsi CV. Agrimart Indonesia

CV. Agrimart Indonesia merupakan perusahaan yang mengembangkan
inovasi teknologi di bidang pertanian. Kemajuan pertanian dan kemandirian
pertanian Indonesia akan terwujud dengan adanya inovasi-inovasi terbarukan.
Agrimart menciptakan produk untuk kemajuan pertanian. Berikut beberapa
produk Agrimart.
a. Agriino-Handheld Nutrients Sensing System
Alat ini dikembangkan untuk membantu petani dalam mengambil keputusan
dalam memberikan rekomendasi pemupukan secara realtime. Pada dasarnya
kebutuhan nutrisi tiap tanaman berbeda-beda, dengan memanfaatkan alat ini,
efisiensi penggunaan pupuk bisa ditingkatkan.
b. Agriino-Automatic Weather Station
Alat ini dikembangkan untuk secara otomatis mendapatkan data cuaca secara
realtime. Pengumpulan data kondisi cuaca dengan cara tradisional dilakukan oleh
pengamat secara manual dimana pengamat mencatat dan melakukan pengamatan
secara berulang-ulang. Dan untuk menganalisis data harian cuaca yang
dikumpulkan membutuhkan waktu yang cukup lama. Tapi hal kegiatan yang
memakan waktu tersebut tidak dibutuhkan lagi dengan Agriino-Automatic
Weather Station pengamatan akan dilakukan secara otomatis yang akan memberi
data data cuaca secara real time dan analisis data oleh sistem.
c. Agriino-Sprayer Drone
Alat ini dikembangkan untuk secara efisien menutupi semua medan tanpa
kerusakan tanah. Begitu banyak variasi cara untuk menyemprot tanaman di dunia
pertanian saat ini tetapi masih banyak kekurangan khususnya di Indonesia.
Mayoritas petani Indonesia masih menggunakan tenaga manusia untuk melakukan
penyemprotan terhadap tanaman yang tentunya menguras banyak biaya dan hasil
semprotannya tidak begitu sempurna. Dengan drone yang dikombinasikan dengan
teknologi tambahan akan menjadi cara baru menyemprot tanaman yang paling
efesien.
 12

4.2 Hasil Pemrograman Menggunakan Python

Pemrograman dilakukan sebelum dilakukan kalibrasi. Pemrograman
dibuat sesuai dengan perintah-perintah yang dibutuhkan yaitu pembacaan warna
RGB (Red Green Blue).

Gambar 4.1 Hasil pemrograman menggunakan Python

Fungsi pemrograman menggunakan bahasa Python adalah untuk membaca warna
RGB setiap piksel citra kemudian dijumlahkan dan dirata-rata. Adapun program
yang dirancang dapat dilihat pada Lampiran 1.1.
 13

4.3 Hasil Pengujian Program Analisis Warna RGB

Pengujian dilakukan dengan membandingkan program analis warna RGB
menggunakan Python dengan Software ImageJ. Pengujian ini bertujuan untuk
mengetahui hasil program analisis warna yang telah dibuat. Pada pengujian ini,
data yang digunakan yaitu citra tanaman padi berjumlah 65 citra dengan dimensi
setiap citra yaitu 640x480 piksel yang direkam menggunakan Agriino Handheld
Tool. Berikut citra daun tanaman padi.

Gambar 4.2 Citra daun padi yang direkam menggunakan Agriino Handheld Tool
Pada pengujian ini, data yang direkam adalah Red, Green dan Blue (RGB) dan
dianalisis menggunakan Software ImageJ dan bahasa pemrograman Python. Data
hasil perekaman dapat dilihat pada Tabel 4.1 berikut ini.
 14

Tabel 4.1 Data hasil analisis warna RGB citra daun padi menggunakan ImageJ dan
Python
ImageJ Python
Sampel
R G B R G B
1 94.98 175.01 130.71 94.9765 175.0057 130.7101
2 118.91 178.62 90.88 118.9067 178.6192 90.8770
3 110.09 176.88 46.94 110.0857 176.8763 46.9363
4 117.42 182.19 44.90 117.4164 182.1876 44.8990
5 139.78 171.69 67.21 139.7815 171.6943 67.2076
6 129.68 169.04 38.28 129.6848 169.0426 38.2803
7 136.35 197.30 81.13 136.3495 197.2998 81.1276
8 121.14 174.16 68.96 121.1414 174.1551 68.9569
9 136.31 180.58 76.98 136.3129 180.5789 76.9845
10 134.09 192.96 69.49 134.0887 192.9570 69.4942
11 124.26 187.80 58.09 124.2559 187.8025 58.0880
12 113.12 181.99 44.42 113.1233 181.9899 44.4164
13 120.70 186.04 59.90 120.6962 186.0388 59.9017
14 138.64 188.93 73.23 138.6435 188.9266 73.2276
15 117.28 188.93 51.67 117.2803 188.9331 51.6704
16 133.51 190.78 76.02 133.5064 190.7844 76.0214
17 130.20 169.27 64.40 130.2025 169.2701 64.3970
18 138.97 184.83 56.82 138.9672 184.8310 56.8214
19 136.46 180.74 58.58 136.4554 180.7426 58.5824
20 147.72 199.73 74.13 147.7179 199.7326 74.1269
21 128.29 190.59 63.40 128.2868 190.5852 63.3979
22 139.29 180.92 80.72 139.2880 180.9151 80.7171
23 116.35 186.93 43.82 116.3491 186.9280 43.8199
24 125.05 187.40 64.29 125.0528 187.3959 64.2901
25 133.41 182.86 85.66 133.4051 182.8606 85.6638
26 133.50 195.03 71.73 133.4974 195.0281 71.7299
27 106.94 187.38 28.23 106.9412 187.3827 28.2303
28 131.49 185.69 99.40 131.4879 185.6853 99.4030
29 124.91 170.38 59.25 124.9075 170.3787 59.2532
30 131.61 192.66 73.57 131.6084 192.6553 73.5700
31 118.97 175.23 61.74 118.9680 175.2278 61.7435
32 121.52 188.90 49.90 121.5166 188.9015 49.9045
33 125.86 182.90 70.14 125.8633 182.8998 70.1350
34 129.30 182.11 81.12 129.3009 182.1060 81.1236
35 124.11 182.67 68.24 124.1050 182.6680 68.2380
36 124.96 181.98 63.64 124.9644 181.9804 63.6334
37 123.20 187.25 52.70 123.2032 187.2548 52.7046
 15

38 136.01 187.40 70.81 136.0079 187.3973 70.8066

39 134.98 206.55 55.90 134.9848 206.5467 55.8977
40 121.46 194.20 60.96 121.4649 194.2041 60.9627
41 119.11 178.67 57.36 119.1081 178.6705 57.3619
42 129.47 179.26 66.86 129.4688 179.2569 66.8647
43 127.75 184.11 79.67 127.7484 184.1144 79.6728
44 139.60 189.72 76.34 139.6006 189.7222 76.3370
45 121.37 182.20 63.91 121.3663 182.1964 63.9145
46 122.55 186.32 56.10 122.5521 186.3173 56.0991
47 122.04 178.07 86.48 122.0378 178.0679 86.4767
48 140.11 188.74 76.45 140.1089 188.7429 76.4532
49 126.12 193.44 57.23 126.1158 193.4407 57.2328
50 122.20 176.25 69.39 122.2006 176.2533 69.3860
51 136.02 181.69 76.60 136.0179 181.6917 76.6035
52 107.76 185.19 39.91 107.7611 185.1912 39.9095
53 138.32 178.63 71.33 138.3206 178.6307 71.3321
54 105.68 179.19 41.99 105.6774 179.1903 41.9920
55 123.16 165.15 33.42 123.1583 165.1514 33.4218
56 104.45 184.60 36.88 104.4469 184.5986 36.8804
57 142.57 191.78 91.48 142.5728 191.7839 91.4824
58 120.10 169.88 59.46 120.0974 169.8817 59.4568
59 130.09 189.11 74.21 130.0922 189.1107 74.2078
60 132.90 179.62 85.08 132.9033 179.6229 85.0813
61 139.46 177.21 64.61 139.4562 177.2147 64.6055
62 129.82 181.16 76.73 129.8184 181.1634 76.7259
63 131.84 186.04 69.67 131.8407 186.0446 69.6733
64 122.37 191.33 54.16 122.3659 191.3253 54.1564
65 117.18 187.14 52.55 117.1833 187.1357 52.5547
Sumber: Data Primer, 2018.

Berdasarkan Tabel 4.1 diatas dapat diketahui nilai R, G, dan B dari 65

citra daun padi dengan masing-masing pengukuran menggunakan ImageJ dan
bahasa pemrograman Python. Kemudian masing-masing pengukuran
dibandingkan, perbandingan dapat dilihat pada Gambar 4.x berikut ini.
 16

160.00
140.00
120.00
100.00
80.00
R

Bacaan ImageJ
60.00
Bacaan Python
40.00
20.00
0.00
0 20 40 60 80
Sampel

Gambar 4.3 Data hasil pengamatan indeks warna R pada 65 citra tanaman padi
Berdasarkan grafik di atas, dapat diketahui bahwa antara ImageJ dan
program analisis warna menggunakan Python memiliki kesamaan 100% dari awal
hingga akhir untuk pembacaan indeks warna R. Artinya untuk pembacaan indeks
warna R (Red) menggunakan bahasa pemrograman Python sudah sesuai standar
dengan Software yang telah ada yaitu ImageJ.
250.00

200.00

150.00
G

Bacaan ImageJ
100.00
Bacaan Python

50.00

0.00
0 20 40 60 80
Sampel

Gambar 4.4 Data hasil pengamatan indeks warna G pada 65 citra tanaman padi
Berdasarkan grafik di atas, dapat diketahui bahwa antara ImageJ dan
program analisis warna menggunakan Python memiliki kesamaan 100% dari awal
 17

hingga akhir untuk pembacaan indeks warna G. Artinya untuk pembacaan indeks
warna G (Green) menggunakan bahasa pemrograman Python sudah sesuai standar
dengan Software yang telah ada yaitu ImageJ.
140.00

120.00

100.00

80.00
B

60.00 Bacaan ImageJ

Bacaan Python
40.00

20.00

0.00
0 20 40 60 80
Sampel

Gambar 4.5 Data hasil pengamatan indeks warna B pada 65 citra tanaman padi
Berdasarkan grafik di atas, dapat diketahui bahwa antara ImageJ dan
program analisis warna menggunakan Python memiliki kesamaan 100% dari awal
hingga akhir untuk pembacaan indeks warna B. Artinya untuk pembacaan indeks
warna B (Blue) menggunakan bahasa pemrograman Python sudah sesuai standar
dengan Software yang telah ada yaitu ImageJ.

4.4 Keuntungan Menggunakan Python dalam Analisis Warna RGB Daun

Padi
Python dalam menganalisis warna RGB memiliki kelebihan diantaranya
adalah dapat mempersingkat waktu analisis dan menjaga keakuratan hasil analisis.
Python dalam menganalisis warna RGB untuk 65 citra daun padi membutuhkan
waktu ±120 detik (±2 menit) sedangkan dengan menggunakan Software ImageJ
membutuhkan waktu +2.730 detik (+45 menit) untuk 65 citra daun padi.
 18

BAB 5. PENUTUP

5.1 Kesimpulan
Berdasarkan hasil dan pembahasan dapat diambil beberapa kesimpulan
yaitu sebagai berikut.
1. Program analisis warna RGB menggunakan bahasa pemrograman Python
berhasil dibuat.
2. Program analisis warna RGB menggunakan Python memiliki kesamaan 100%
dengan Software yang telah ada yaitu ImageJ sehingga dapat digunakan
untuk analisis data.
3. Analisis warna RGB menggunakan Python memiliki keuntungan yaitu lebih
cepat dan akurat.

5.2 Saran
Saran untuk pemrograman Python tidak hanya untuk analisis warna R, G,
B saja, melainkan dapat dikembangkan lagi untuk analisis indeks yang lain seperti
indeks r, g, b, NDVIrgb, NDVIgreen, SAVIgreen, NDI, GMR, SR, VARI,
BRAVI, BRAVI-SR, EVIgreen, EVI2green, OSAVIgreen, dan SRrgb.
 19

DAFTAR PUSTAKA

AAK. 2000. Budidaya Tanaman Padi. Yogyakarta: Penerbit KANISIUS.

Hanum, C. 2008. Teknik Budidaya Tanaman Jilid 2. Departemen Pendidikan
Nasional.
Campbell, J. B. dan R. H. Wynne. 2011. Introduction to Remote Sensing (5th
Ed.). New York: The Guilford Press.
Govender, M., P. J. Dye, I. Weiersbye, E. Witkowski, dan F. Ahmed. 2009.
Review of commonly used remote sensing and ground-based technologies
to measure plant water stress. Water SA. 35(March 2016).
Rakhman, E., Candrasyah, F., dan Sutera, F.D. 2014. Raspberry Pi-
Mikrokontroler Mungil yang Serba Bisa. Yogyakarta: CV. ANDI
OFFSET.
Shaik, K. B., P. Ganesan, V. Kalist, B. S. Sathish, dan J. M. M. Jenitha. 2015.
Comparative study of skin color detection and segmentation in hsv and
ycbcr color space. Procedia - Procedia Computer Science. 57:41–48.