PENGOLAHAN CITRA DIGITAL PADA SISTEM SELEKSI

TINGKAT KEMATANGAN BUAH KOPI

SKRIPSI

oleh

Yuliani Indah Purnama Sari

NIM E41200899

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNOLOGI INFORMASI
POLITEKNIK NEGERI JEMBER
2020
PENGOLAHAN CITRA DIGITAL PADA SISTEM SELEKSI
TINGKAT KEMATANGAN BUAH KOPI

SKRIPSI

sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains Terapan (SST)
di Program Studi Teknik Informatika
Jurusan Teknologi Informasi

oleh

Yuliani Indah Purnama Sari

NIM E41200899

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNOLOGI INFORMASI
POLITEKNIK NEGERI JEMBER
2020

ii
 BAB 1. PENDAHULUAN

1. 1 Latar Belakang
Kopi adalah salah satu minuman yang populer di kalangan masyarakat.
Kopi banyak digemari karena khasiatnya untuk menahan kantuk, biasanya orang-
orang cenderung mengalami ketagihan dikarenakan kandungan zat kafein di
dalamnya. Selain itu kopi memiliki banyak kegunaan baik seperti mencegah
penyakit stroke, mencegah beberapa jenis kanker, mengurangi risiko Parkinson
dan dementia, serta meningkatkan konsentrasi dan ingatan (Loice dkk. 2015a ).
Kopi dapat meningkatkan kecerdasan, membakar lemak, baik untuk hati,
mengurangi risiko kematian, mengandung antioksidan dan nutrisi (Loice dkk.
2015b). Manfaat-manfaat kopi tersebut membuat permintaan akan kopi relatif
tinggi.
Dalam era perdagangan bebas, komoditas kopi sebagai bahan baku utama
industri kopi bubuk, mutu menjadi penentu daya saing di pasar ekspor maupun
dalam negeri. Dengan teknik budidaya yang baik dan sesuai dengan kehendak
konsumen. Hal tersebut perlu diperhatikan para pekebun kopi agar usaha taninya
berhasil, produksi kopinya tinggi dan pendapatan petani juga tinggi.
Sortasi buah kopi adalah salah satu kegiatan pascapanen yang merupakan
bagian dalam proses produksi kopi. Pada saat proses pemetikan buah kopi
biasanya buah yang tidak layak untuk dipetik ikut terbawa, oleh karena itu sortasi
buah kopi perlu dilakukan untuk memisahkan buah yang berwarna hijau dan hijau
kekuningan (masih muda), kuning kemerahan(setengah matang), merah tua dan
hitam (terlewat matang) dari buah kopi yang berwarna merah (matang sempurna)
untuk mendapatkan mutu hasil yang tinggi.
Teknik sortir/seleksi buah kopi yang dilakukan petani kopi saat ini masih
banyak yang menggunakan cara kerja manual. Keterbatasan yang dipengaruhi
oleh emosi manusia menyebabkan hasil evaluasi sering tidak seragam atau tidak
akurat untuk jumlah yang besar atau yang disebut dengan Human Error. Sehingga
ketika proses pengupasan buah kopi dengan menggunakan mesin pengupas

1
 2

(huller) masih saja terdapat beberapa buah tidak layak ikut terkupas yang
kemudian ikut terproduksi.
Dewasa ini teknik pengolahan citra digital berkembang pesat dengan
aplikasi yang cukup luas di berbagai bidang. Mencermati hal tersebut sistem
seleksi kematangan buah kopi dengan bantuan pengolahan citra digital merupakan
salah satu solusi yang tepat. Dengan menggunakan teknologi komputerisasi
sebagai alat analisis pengambil keputusan dan menghasilkan data yang relevan.
Pada penelitian tugas akhir ini penulis merancang aplikasi sistem untuk
mengidentifikasi kematangan obyek buah kopi berdasarkan komposisi warna
RGB (Red, Green, Blue). Informasi yang dihasilkan berupa identifikasi tingkat
kematangan buah kopi.

1. 2 Rumusan Masalah
Berdasarkan uraian latar belakang masalah yang telah dikemukakan maka
rumusan masalah adalah :
a. Bagaimana merancang aplikasi sistem identifikasi kematangan buah kopi ?
b. Bagaimana proses pengolahan citra digital untuk identifikasi kematangan
buah kopi ?

1.3 Tujuan dan Manfaat

1.3.1 Tujuan
Tujuan yang ingin dicapai dalam tugas akhir ini adalah:
a. Merancang suatu aplikasi sistem seleksi untuk memberikan informasi
mengenai identifikasi kematangan buah kopi berdasarkan warna kulit pada
buah.
b. Membuat sebuah program aplikasi komputer yang mampu mengidentifikasi
kematangan buah kopi dengan memanfaatkan metode pengolah citra digital.
 3

1.3.2 Manfaat
Manfaat dari tugas akhir ini adalah:
a. Menghitung secara otomatis jumlah buah kopi yang telah terdeteksi.
b. Mengidentifikasi tingkat kematangan kumpulan obyek buah kopi (maksimal
4 buah) berdasarkan warna kulit buah dengan menggunakan teknologi
komputerisasi.
 BAB 2. TINJAUAN PUSTAKA

2.1. Buah Kopi

Tanaman kopi pada umumnya di budidayakan di daerah tropis. Terdapat
tiga macam kopi yang di budidayakan di Indonesia yaitu arabika, robusta dan
liberika. Yang membedakan diantara tiga jenis kopi tersebut adalah fisik daun,
kondisi lahan tanam dan teknik pengelolahan sehingga mempengaruhi cita rasa
kopi. Buah kopi robusta lebih besar di bandingkan arabika selain itu buah kopi
robusta juga ada yang berukuran sedang maupun kecil.
Tanda-tanda buah kopi siap dipanen dapat dilihat dari warna kulitnya. Buah
kopi yang paling baik untuk dipanen adalah yang telah matang penuh, artinya
buah telah berwarna merah. Namun karena berbagai alasan, para petani sering
memanen buah yang masih berwarna kuning bahkan hijau, padahal karakteristik
buah kopi akan berbeda dengan perbedaan tingkat kematangan. Sebagai gambaran
umum berikut klasifikasi sederhana tingkat kematangan buah kopi yang
dibedakan berdasarkan warna kulit buah, aroma dan postur (body) serta citarasa
yang akan dihasilkan (Purnama, 2016a).
Tabel 2.1 Tabel klasifikasi tingkat kematangan buah kopi
Tingkat kematangan Aroma dan
No Warna Kulit Buah Cita rasa
buah Postur (body)
1 Hijau Masih muda Sangat lemah Tidak terasa
2 Hijau kekuningan Masih muda Sangat lemah Tidak terasa
3 Kuning kemerahan Mulai matang Mulai mantap Mulai terasa
Mantap dan
4 Merah Penuh Matang sempurna Mantap
paling baik
5 Merah tua Kelewat Matang Mulai menurun Bau tanah
Sumber : (Purnama, 2016)

Berdasarkan klasifikasi ini terlihat bahwa citarasa terbaik akan dihasilkan

oleh buah kopi yang berwarna merah penuh dengan tingkat kematangan
sempurna. Jika ingin mendapatkan citarasa yang mantap dan paling baik maka
panen dilakukan saat buah matang sempurna (Purnama, 2016b).

4
 5

Sebagian besar, buah terdapat pada cabang primer atau sekunder

sebagaimana halnya dengan buah. Dari bunga sampai menjadi buah itu masak,
memakan waktu 7-9 bulan. Pada umumnya buah kopi mengandung 2 butir biji,
biji tersebut mempunyai 2 bidang, bidang yang datar (perut) dan bidang yang
cembung (punggung). Tetapi adakalanya hanya ada satu butir biji yang bentuknya
bulat panjang yang disebut kopi “lanang”. Kadang-kadang ada yang hampa,
sebaliknya ada pula yang berbiji 3-4 butir.
Proses pengupasan buah kopi menggunakan mesin pengupas (huller). Tidak
dianjurkan untuk mengupas kulit dengan cara menumbuk karena mengakibatkan
banyak biji yang pecah (Ernawati dkk., 2008). Buah kopi merah (superior) diolah
dengan cara proses basah (semi basah) agar diperoleh biji kopi kering dengan
tampilan yang bagus. Sedangkan buah campuran hijau, kuning dan merah diolah
dengan cara proses kering.

2.2. Pengolahan Citra Digital

Pengolahan Citra bertujuan memperbaiki kualitas gambar dilihat dari aspek
radiometrik (peningkatan kontras, transformasi warna, restorasi citra) dan dari
aspek geometrik (rotasi, translasi, skala, transformasi geometrik), melakukan
proses penarikan informasi atau deskripsi objek atau pengenalan objek yang
terkandung pada citra, melakukan kompresi atau reduksi data untuk tujuan
penyimpanan data, transmisi data, dan waktu pemrosesan.
Bidang digital image processing meliputi pengolahan digital image dari
suatu komputer digital. Gambar dihasilkan dari seluruh spektrum elektromagnetik,
mulai dari gamma sampai gelombang radio. Ada tiga tipe pengolahan :
1. Low-level process
Meliputi operasi dasar seperti image processing :
a. Reduce noise
b. Contrast enhancement
c. Image sharpening
Pada level ini baik input maupun output adalah berupa gambar.
 6

2. Mid-level process
Meliputi segmentasi (membagi sebuah gambar dalam region atau object),
mendiskripsikan objek tersebut untuk di reduksi dalam bentuk yang diinginkan
dan klasifikasi (recognition) dari objek tersebut. Input dari proses ini berupa
gambar, dan outputnya berupa atribut yang diambil dari gambar tersebut (misal:
edge, counturs, dan identitas dari objek tertentu).
3. High-level process
Meliputi pemberian arti dari suatu rangkaian objek-objek yang dikenali dan
akhirnya menampilkan fungsi-fungsi kognitif secara normal sehubungan dengan
penglihatan.

2.2.1. Elemen-elemen sistem analisis citra

Intermediate-level processing

Representation
Segmentation And
Desciption

Preprocessing
Result
Recognition
Knowledge and
Problem Base Interpretation
domain
Image
Acquisition

Low-level processing High-level processing

Gambar 2.1 Elemen-elemen sistem analisis citra

2.2.2. Metodologi Pengolahan Citra

1. Pembentukan Citra (Data Acquisition): Menentukan data yang diperlukan
dan memilih metode perekaman citra digital.
2. Pengolahan Citra Tingkat Awal (Image Preprocessing): Meningkatkan
kontras, menghilangkan gangguan geometrik/radiometrik, menentukan
bagian citra yang akan diobservasi.
 7

3. Segmentasi Citra (Image Segmentation) dan Deteksi Sisi (Edge Detection):

Melakukan partisi citra menjadi wilayah-wilayah objek (internal properties)
atau menentukan garis batas wilayah objek (external shape characteristics).
4. Seleksi dan Ekstraksi Ciri (Feature Extraction and Selection): Seleksi ciri
memilih informasi kwantitatif dari ciri yang ada, yang dapat membedakan
kelas-kelas objek secara baik. Ekstraksi ciri mengukur besaran kwantitatif
ciri setiap piksel.
5. Representasi dan deskripsi: Suatu wilayah dapat direpresentasi sebagai
suatu list titik-titik koordinat dalam loop yang tertutup, dengan deskripsi
luasan/perimeternya.
6. Pengenalan pola (Pattern Recognition): Memberikan label kategori objek
pada setiap piksel citra berdasarkan informasi yang diberikan oleh
deskriptor atau ciri piksel bersangkutan (pewilayahan jaringan keras dan
pewilayahan berbagai jaringan lunak pada citra biomedik)
7. Interpretasi citra (image interpretation): Memberikan arti pada objek yang
sudah berhasil dikenali (dari citra klasifikasi biomedik dapat dilihat adanya
penyakit tumor)
8. Penyusunan Basis pengetahuan: Basis pengetahuan ini digunakan sebagai
referensi pada proses template matching/object recognition.

2.3. Citra Digital

Suatu citra (gambar) analog dengan ukuran panjang kali lebar, dapat
digitalisasi dengan mengambil sampling berupa matriks berukuran m kali n,
dengan m adalah jumlah sampling untuk panjang, dan n adalah jumlah sampling
untuk lebar. Setiap sampling adalah berukuran bujur sangkar kecil. Semakin kecil
ukuran sampling tersebut, semakin baik representasi citra ke dalam bentuk digital,
dan semakin halus tepian (edge) gambar yang dihasilkan. Gambar 2.3 dibawah ini
menunjukkan contoh suatu gambar yang didigitalisasi dengan ukuran sampling
yang masih cukup besar, sehingga tepian gambar akan berbentuk kasar (kotak-
kotak).
 8

Gambar 2.2 Citra kontinu (kiri), Citra digital hasil sampling dan kuantisasi (kanan)

Sampling tersebut(selanjutnya disebut piksel, atau dalam bahasa inggris

adalah picture element = pictel menjadi pixel) yang terkecil dinyatakan dengan
dot (atau berbentuk titik) karena ukuran sangat kecil. Matriks dot yang dihasilkan
menyatakan derajat keabuan dari nilai sampling tersebut, untuk citra 8 bit bernilai
0 sampai 255. Untuk lebih jelas, citra digital seperti gambar 2.4 yang berbentuk
suatu derajat keabuan (gray scale) dapat di plot pada grafik untuk memperlihatkan
di level mana derajat keabuannya berada pada setiap piksel.

Gambar 2.3 Citra Asli (kiri) Citra di plot pada suatu permukaan (kanan)

F(x,y) merupakan representasi dari nilai piksel pada setiap titik koordinat
(x,y), dengan titik origin dari matriks citra adalah (0,0) di mana x dan y masing-
masing adalah baris dan kolom.
Untuk memudahkan penulisan matematis, maka matriks citra tersebut dapat
dituliskan dalam bentuk persamaan berikut ini,
 9

𝑎0,0 𝑎0,1 … 𝑎0, 𝑁 − 1

𝑎1,0 𝑎1,1 … 𝑎1, 𝑁 − 1
F(x,y) = Ax,y = [ ] .................2.1
⋮ ⋮ ⋮ ⋮
𝑎𝑀 − 1,0 𝑎𝑀 − 1,1 … 𝑎𝑀 − 1, 𝑁 − 1
Bila citra adalah citra berwarna, maka warna direprentasikan oleh kanal
RGB(Red-Green-Blue) seperti gambar 2.5, dengan setiap kanal dinyatakan
dengan derajat keabuan dengan rentang 0-255. Misalnya untuk Red, 0
menyatakan paling merah(pekat) dan 255 menyatakan paling pudar (putih).
Demikian juga untuk kanal green (hijau) dan blue (biru).
Sehingga matriks citra akan berdimensi (m x n x 0) dengan m dan n adalah
dimensi panjang dan lebar atau dimensi baris dan kolom pada matriks, dan 0
adalah dimensi untuk kanal warna, yaitu 1 untuk kanal Red (merah), 2 untuk
Green (hijau) dan 3 untuk Blue (biru).

Component image 3 (Blue)

Component image 2 (Green)

Component image 1 (Red)

Gambar 2.4 Ilustrasi representasi kanal warna RGB pada citra

2.4. Jenis Citra

Nilai suatu pixel memiliki nilai dalam rentang tertentu, dari nilai minimum
sampai nilai maksimum. Jangkauan yang digunakan berbeda-beda tergantung dari
jenis warnanya. Namun secara umum jangkauannya adalah 0-255. Citra dengan
penggambaran seperti ini digolongkan ke dalam citra integer.
Berikut adalah jenis-jenis citra berdasarkan nilai pikselnya (Paramita,
2011a).
1. Citra Biner, adalah citra digital yang hanya memiliki dua kemungkinan nilai
piksel yaitu hitam dan putih. Citra biner juga disebut sebagai B&W (Black
 10

and White) atau monokrom. Hanya butuh 1 bit untuk mewakili nilai setiap
piksel dari citra biner.
2. Citra Grayscale, merupakan citra digital yang hanya memiliki satu nilai
kanal pada setiap pikselya. Warna yang dimiliki adalah warna dari hitam,
keabuan dan putih. Tingkat keabuan disini merupakan warna abu-abu
dengan berbagai tingkatan dari hitam hingga mendekati putih. Citra
grayscale memiliki kedalaman warna 8 bit (256 kombinasi warna keabuan).
3. Citra Warna (8-bit), Setiap piksel pada citra warna (8-bit) hanya diwakili
oleh 8 bit dengan jumlah warna maksimum yang dapat digunakan adalah
256 warna. Ada dua jenis citra warna 8 bit. Pertama, citra warna 8 bit
dengan menggunakan palet warna 256 dengan setiap piksel paletnya
memiliki pemetaan nilai(colormap) RGB tertentu. Kedua, setiap piksel
memiliki format 8 bit truecolor.
4. Citra Warna (16-bit), disebut juga citra highcolor dengan setiap pikselnya
diwakili 2 byte memori (16 bit). Warna bit memiliki 65.536 warna.
5. Citra Warna (24 bit), Setiap piksel dari citra warna 24 bit diwakili oleh 24
bit sehingga total 16.777.216 variasi warna. Variasi ini lebih dari cukup
untuk memvisualisasikan seluruh warna yang dapat dilihat penglihatan
manusia. Penglihatan manusia dipercaya hanya dapat membedakan hingga
10 juta warna saja. Setiap poin informasi piksel (RGB) disimpan ke dalam 1
byte data. 8 bit pertama menyimpan nilai biru, diikuti dengan nilai hijau
pada 8 bit kedua dan pada 8 bit terakhir merupakan warna merah.

2.5. Format File Citra

Format file citra standar yang digunakan saat ini terdiri dari beberapa jenis.
Format-format ini digunakan dalam menyimpan citra dalam sebuah file. Setiap
format memiliki karakteristik masing-masing.
Berikut ini adalah penjelasan beberapa format umum digunakan saat ini
(Paramita, 2011b).
 11

1. Bitmap (.bmp), Format ini adalah format penyimpanan standar tanpa

kompresi yang umum dapat digunakan untuk menyimpan citra biner hingga
citra warna.
2. Portable Network Graphics (.png), Format ini adalah format penyimpanan
citra terkompresi. Format ini digunakan pada citra grayscale, citra dengan
palet warna, dan juga citra fullcolor. Format .png juga mampu menyimpan
informasi hingga kanal alpha dengan penyimpanan sebesar 1 hingga 16 bit
per kanal.
3. JPEG (.jpg), Format ini adalah format yang sangat umum digunakan saat ini
khususnya untuk transmisi citra. Format ini digunakan untuk menyimpan
citra hasil kompresi dengan metode JPEG.
4. GIF (.gif), Format ini dapat digunakan pada citra warna dengan palet 8 bit.
Penggunaan umumnya pada aplikasi web. Kualitas yang rendah
menyebabkan format ini tidak terlalu populer di kalangan peneliti
pengolahan citra digital.

2.6. Konsep Warna

Warna pada dasarnya merupakan hasil persepsi dari cahaya dalam spectrum
wilayah yang terlihat oleh retina mata dan memiliki panjang gelombang antara
400 nm hingga 700 nm (Paramita, 2011c). Ruang warna atau yang sering disebut
sebagai model warna merupakan sebuah cara atau metode untuk mengatur,
membuat dan memvisualisasikan warna. Salah satu jenis ruang warna yaitu ruang
warna citra RGB.
2.6.1. RGB (Red-Green-Blue)
Citra berwarna yang selama ini biasa dikenal umumnya memiliki ruang
warna RGB. Ruang warna RGB dapat divisualisasikan sebagai sebuah kubus
seperti pada gambar 2.6, dengan tiga sumbunya mewakili komponen warna
merah (red) R, hijau (green) G, biru (blue) B. Salah satu pojok alas kubus ini
menyatakan warna hitam ketika R=G=B=0, sedangkan pojok atasnya yang
berlawanan menyatakan warna putih ketika R=G=B=255 (untuk sistem warna 8
bit bagi setiap komponennya). RGB sering digunakan di dalam sebagian besar
 12

aplikasi komputer karena dengan ruang warna ini, tidak diperlukan transformasi
untuk menampilkan informasi di layar monitor. Alasan diatas juga menyebabkan
RGB banyak dimanfaatkan sebagai ruang warna dasar bagi sebagian besar
aplikasi.

Gambar 2.5 Ruang warna RGB

Jika warna-warna pokok (RGB) tersebut digabungkan, maka akan
menghasilkan warna lain. Tiap-tiap warna memiliki nilai 256 (8-bit).

Gambar 2.6 Konsep warna

2.7. Pendekatan Raw Euclidean Distance

Raw Euclidean Distance merupakan salah satu metode/cara untuk
menentukan pencarian suatu citra apakah citra tersebut sama atau tidak antara dua
citra dengan cara menentukan jarak dari kedua citra yang akan diuji. Untuk
tingkat kesamaan dapat dinyatakan dengan suatu nilai. Apabila nilai yang
dihasilkan semakin kecil kemungkinan yang terjadi adalah semakin dekat
 13

kesamaan antara kedua citra tersebut. Sebaliknya apabila nilai yang dihasilkan
semakin besar maka kedua citra tidak memiliki kesamaan.
𝑑𝑒 = √∑𝑚 2
𝑘=1(𝑓𝑑𝑖.𝑘 − 𝑘𝑗 ) .....................................................................2.2

Keterangan :
𝑑𝑒 : nilai jarak
𝑓𝑑𝑖 : nilai citra acuan
𝑘𝑗 : nilai uji citra
m : jumlah data

2.8. Clustering
Clustering berarti penyatuan sekelompok data yang mempunyai korelasi
atau karakteristik sejenis atau sekelompok data yang memiliki kemiripan.
Clustering juga merupakan suatu cara menganalisa data dengan cara
mengelompokkan objek kedalam kelompok-kelompok berdasar suatu kesamaan
tertentu (Paramita, 2011d). Clustering berbeda dengan proses group data . Dalam
group, pengelompokkan data harus sama jadi sudah dapat dipastikan yang
termasuk dalam group itu dan memiliki karakter yang sama. Clustering banyak
digunakan dalam kasus pemetaan (mapping) seperti yang didefinisikan d:D→ C,
dari beberapa data D={t1,t2,t3,...,tn} kedalam beberapa cluster C={c1,c2,c3,...,cn}
berdasarkan kesamaan antar data t1 (Paramita, 2011e).
Segmentasi berbasis cluster menggunakan data multidimensi untuk
mengelompokkan piksel citra kedalam beberapa cluster. Pada umumnya piksel di-
cluster berdasarkan kedekatan jarak antar piksel. Segmentasi berbasis cluster ini
mulai populer sejak di implementasikan pada aplikasi OCR (Optical Character
Recognition), pengenalan sidik jari, hingga remote sensing. Keberhasilan dari
proses segmentasi berbasis cluster ditentukan dari keberhasilan dalam
mengelompokkan fitur-fitur yang berdekatan kedalam satu cluster.
Metode-metode dalam segmentasi berbasis cluster diantaranya adalah
iterasi, K-Means, Fuzzy C-Means, dan jaringan Syaraf Kohonen.
 14

Clustering berdasar warna

Clustering berdasar bentuk

Gambar 2.7 Ilustrasi Clustering

2.8.1. Segmentasi citra K-Means Clustering

Algoritma K-means sangat terkenal karena kemudahan dan kemampuannya
untuk mengklaster data besar dan data kompleksitas waktunya linear O(nKT)
dengan n adalah jumlah dokumen, K adalah jumlah kluster, dan T adalah jumlah
iterasi.
K-means merupakan metode pengklasteran secara partitioning yang
memisahkan data ke dalam kelompok yang berbeda. Dengan partitioning secara
iteratif, K-Means mampu meminimalkan rata-rata jarak setiap data ke klasternya.
Sesuai dengan karakteristik partitioning clustering, setiap data harus termasuk ke
cluster tertentu dan memungkinkan bagi setiap data yang termasuk cluster tertentu
pada suatu tahapan proses, pada tahapan berikutnya berpindah ke cluster yang
lain.

Algoritma K-Means adalah suatu algoritma pengelompokan objek berdasar

pada atribut ke dalam pembagi k. Ini merupakan suatu varian algoritma
maksimalisasi kemungkinan, dimana tujuannya adalah untuk menemukan k.
Diasumsikan bahwa format atribut objek itu adalah suatu garis vektor ruang.
Tujuannya adalah untuk memperkecil total perbedaan intra-cluster, atau fungsi:
 15

di mana ada k klasterSi, i= 1,2,..., k dan μi adalah pusat luasan atau titik dari
semua poin-poin.

Mulai

Tentukan
jumlah cluster

Tentukan asumsi titik pusat cluster Ya

(centroid)

Adakah
obyek yang Selesai
Hitung jarak obyek ke centroid berpindah?
Tidak

Kelompokkan obyek berdasarkan

jarak minimum

Gambar 2.8 flowchart segmentasi K-Means

Untuk detilnya dari penjelasan di atas, bagaimana pilihan penampilan warna

mempengaruhi hasil proses klasterisasi, adalah sebagai berikut:
1. Langkah yang pertama adalah menetapkan data set dari algoritma yang akan
digunakan (K-Means), yaitu dengan melakukan pengambilan nilai acak dari
k.
2. Kemudian, penampilan RGB (atau HSV) dari tiap piksel diciptakan, dan
menghasilkan dataset dalam 3-vektor.
3. Algoritma K-Means diterapkan pada dataset, menetapkan klasterisasi pusat
k. Algoritma K-Means akan menghadirkan k warna citra tersebut.
 16

4. Tiap-tiap piksel citra dikonversi dalam suatu garis vektor RGB, dan
ditampilkan menggunakan rata-rata dari kelompok warna yang dihasilkan.

2.9. Ekstraksi Fitur

Citra mempunyai karakteristik yang tidak dimiliki oleh data teks, Feature
Extraction atau ekstraksi fitur merupakan suatu pengambilan ciri/feature dari
suatu bentuk yang nantinya nilai yang didapatkan akan dianalisis untuk proses
selanjutnya. Fitur merupakan karakteristik unik dari suatu objek. Fitur dibedakan
menjadi dua yaitu fitur “alami” merupakan bagian dari gambar, misalnya
kecerahan dan tepi objek. Sedangkan fitur “buatan” merupakan fitur yang
diperoleh dengan operasi tertentu pada gambar, misalnya histogram tingkat
keabuan (Gualtieri et al,1985). Sehingga ekstraksi fitur adalah proses untuk
mendapatkan ciri-ciri pembeda yang membedakan suatu objek dari objek yang
lain (Ashari, 2016a). Terdapat tiga jenis fitur :
2.9.1. Fitur Bentuk
Bentuk adalah karakter konfigurasi permukaan yang diwakili oleh garis dan
kontur. Fitur bentuk dikategorikan bergantung pada teknik yang digunakan.
1. Berdasarkan batas(boundary-based) → menggambarkan bentuk daerah
dengan menggunakan karakteristik eksternal, contohnya adalah piksel
sepanjang batas objek.
2. Berdasarkan daerah(region-based) menggambarkan bentuk wilayah
dengan menggunakan karakteristik internal, contohnya adalah piksel yang
berada dalam suatu wilayah.
3. Fitur bentuk yang biasa digunakan adalah:
a. Wilayah(area) yang merupakan jumlah piksel dalam wilayah
digambarkan oleh bentuk (foreground).
b. Lingkar(perimeter) adalah jumlah dari piksel yang berada pada batas(
dari hasil deteksi tepi )
c. Kekompakan(compactness)
 17

2.9.2. Fitur Tekstur

Pada ekstraksi fitur ini, fitur pembeda adalah tekstur yang merupakan
karakteristik penentu pada citra. Teknik statistik yang terkenal untuk ekstraksi
fitur adalah matriks gray-level co-occurence. Teknik tersebut dilakukan dengan
melakukan pemindaian untk mencari jejak derajat keabuan setiap dua buah piksel
yang dipisahkan dengan jarak d dan 𝜃 sudut yang tetap. Biasanya sudut yang
digunakan adalah 00, 450, 900 dan 1350.
2.9.3. Fitur Warna
Pada ekstraksi fitur warna, ciri pembeda adalah warna. Biasanya ekstraksi
fitur ini digunakan pada citra berwarna yang memiliki komposisi warna RGB
(red, green, blue)(Ashari, 2016b). Penelitian ini akan menggunakan ekstraksi fitur
warna. Karena menentukan kematangan buah berdasarkan warna pada kulitnya.

2.10. Sistem Pengenalan Pola

Pengenalan pola bertujuan menentukan kelompok atau kategori pola
berdasarkan ciri-ciri yang dimiliki oleh pola tersebut. Dengan kata lain,
pengenalan pola membedakan suatu objek dengan objek lain. Terdapat dua
pendekatan yang dilakukan dalam pengenalan pola yaitu pendekatan secara
statistik dan secara sintaktik atau struktural.
2.10.1. Pengenalan Pola secara Statistik
Pendekatan ini menggunakan teori-teori ilmu peluang dan statistik. Ciri- ciri
yang dimiliki oleh suatu pola ditentukan distribusi statistiknya. Pola yang berbeda
memiliki distribusi yang berbeda pula. Dengan menggunakan teori keputusan
didalam statistik, kita menggunakan distribusi ciri untuk mengklasifikasikan pola.

Gambar 2.9 Sistem pengenalan pola dengan pendekatan statistik

 18

Terdapat dua fase dalam sistem pegenalan pola, yaitu :

1. Fase pelatihan, yaitu beberapa contoh citra dipelajari untuk menentukan
ciri yang akan digunakan dalam proses pengenalan serta prosedur
klasifikasinya.
2. Fase Pengenalan, yaitu citra diambil cirinya kemudian ditentukan kelas
kelompoknya.
2.10.2. Pengenalan Pola secara Sintaktik
Pendekatan ini menggunakan teori bahasa formal. Ciri-ciri yang terdapat
pada suatu pola ditentukan primitif dan hubungan struktural antara primitif
kemudian menyusun tata bahasanya. Dari aturan produksi pada tata bahasa
tersebut kita dapat menentukan kelompok pola.
Pengenalan pola secara sintaktik lebih dekat ke strategi pengenalan pola
yang dilakukan manusia, namun secara praktek penerapannya relatif sulit
dibandingkan pengenalan pola secara statistik.

Gambar 2.10 Sistem pengenalan pola dengan pendekatan sintatik

2.11. Penelitian Terdahulu

Ada beberapa penulisan ilmiah yang pernah dilakukan terkait penelitian
deteksi tingkat kematangan buah dari sisi warna kulit buah, beberapa diantaranya
sebagai berikut :
1. Segmentasi Buah Menggunakan Metode K-Means Clustering dan
Identifikasi Kematangannya Menggunakan Metode Perbandingan
Kadar Warna oleh Andri, Paulus, Ng Poi Wong, dan Toni Gunawan. Pada
penelitian ini untuk mendeteksi buah dan identifikasi kematangannya di
lakukan menggunakan proses pelatihan dan proses pengujian. Sistem
 19

mengenali kematangan buah (jeruk, cabai, pisang). Citra yang ditangkap

oleh kamera kemudian disegmentasi menggunakan metode K-means
Clustering. Untuk mengenal buah yang matang, dilakukan pengenalan pola.
Agar deteksi buah lebih akurat, maka fitur geometris dan fitur warna
dikombinasikan. Hasil deteksi menunjukkan tingkat keberhasilan 90 %.
2. Identifikasi Objek Buah Berdasarkan Warna Dengan Image Clustering
oleh Tyas Paramita. Pada penelitian ini Aplikasi yang telah di rancang
bangun dapat mengidentifikasi objek buah berdasarkan ciri warna pada citra
RGB (Red,Green, Blue) dengan metode Image Clustering tanpa melihat
bentuk buah. Proses identifikasi buah dengan algoritma K-Means
menggunakan metode Valley Tracing dalam Image Clustering mampu
mengidentifikasi buah dengan keakuratan sebesar 63,5 %.
3. Analisis CBIR (Content Based Image Retrieval) Untuk Menentukan
Tingkat Kematangan Biji Kopi Jenis Robusta oleh Wisnu Wijo Narko
dan Pulung Nurtantion Andono. Pada penelitian ini aplikasi yang telah
dirancang dapat menentukan tingkat kematangan biji kopi robusta dengan
metode histogram equalization dan perhitungan jarak menggunakan teknik
euclidean distance. Dapat memberikan informasi tentang kesamaan maupun
perbedaan antara dua citra yaitu citra acuan dan citra uji. Hasil deteksi
menunjukkan tingkat keberhasilan 90 % .
 BAB 3. METODE KEGIATAN

3. 1 Waktu dan Tempat

Tugas akhir yang berjudul Pengolahan Citra Digital Pada Sistem Seleksi
Tingkat Kematangan Buah Kopi dilaksanakan selama … bulan mulai dari bulan
… sampai dengan … 2020 yang bertempat di Politeknik Negeri Jember.

3. 2 Bahan dan Alat

3.2.1 Bahan
Bahan yang diperlukan untuk pelaksanaan tugas akhir ini adalah :
1. Data-data yang diperoleh dari buku, jurnal, dan artikel.
2. Kumpulan buah kopi dengan warna kulit yang berbeda sebagai sampel
untuk pembelajaran dan pengujian program.
3.2.2 Alat
Adapun alat-alat yang digunakan dalam pelaksanaan skripsi yang berjudul
Pengolahan Citra Digital pada Sistem Seleksi Tingkat Kematangan Buah Kopi
adalah sebagai berikut :
1. Perangkat Keras
Perangkat keras yang digunakan adalah satu unit personal komputer dengan
spesifikasi sebagai berikut :
a. Intel(R) Celeron(R) CPU 847 @ 1.10GHz.
b. RAM 4,00 GB.
c. Lampu led mini 8 Watt.
d. Kamera Web USB.
e. Kotak berwarna putih.
f. Stop kontak
2. Perangkat Lunak
Perangkat lunak yang digunakan adalah sebagai berikut:
a. Sistem Operasi Microsoft Windows 7 Professional.
b. Visual Studio 2010.
c. Library Aforge.Net

20
 21

d. Microsoft Access 2007

3.3 Metode Penelitian

Mulai

Pengumpulan Data

Analisa dan Perancangan

Pemograman(Coding) dan
Perancangan Mekanik

Tahap Pengujian(Testing)

Kesimpulan dan Saran

Selesai
Gambar 3.1Tahap-tahap kegiatan.

3.4 Pelaksanaan Kegiatan

Pelaksanaan kegiatan dilakukan untuk mencapai tujuan dari suatu penelitian
secara terstruktur dengan mengikuti langkah-langkah yang telah ditentukan pada
metode penelitian, diantaranya:
1. Tahap Pengumpulan Data
Tujuan pengumpulan data adalah untuk mencari informasi mengenai
penelitian yang berhubungan dengan varietas buah kopi, pengenalan objek
dan metode pengolahan citra digital. Pengumpulan informasi dilakukan
melalui studi pustaka, dengan cara mempelajari ciri tingkat kematangan
 22

buah kopi pada kulit buahnya dan konsep pengolah citra digital yang
diperoleh dari buku, artikel, jurnal dan media lainnya.
2. Tahap Analisa dan Perancangan
Pada tahap analisa dan perancangan, dilakukan analisa perangkat lunak dan
merancang desain kotak akuisisi citra. Analisa perangkat lunak dilakukan
untuk mengidentifikasi kebutuhan dan fungsi perangkat lunak serta
memodelkan perangkat lunak yang akan dibangun. Alat bantu yang
digunakan adalah flowchart.
Perancangan perangkat lunak yang dilakukan meliputi perancangan basis
data dan antar muka, termasuk struktur menu dan tampilan, terkait proses
pembelajaran(learning process) dan proses pengujian(Testing process).
Sedangkan perancangan kotak akuisisi citra dilakukan untuk
menggambarkan kotak akuisisi yang akan dibangun, terkait letak kamera,
letak lampu dan letak buah kopi yang tepat.
3. Pemograman (Coding) dan Perancangan Mekanik
Pemrograman(Coding) berdasarkan rancangan yang dibuat dengan
menggunakan bahasa pemograman C#, library aforge dan engine basis data
menggunakan Microsoft Access 2007.
Perancangan mekanik merupakan hasil rancangan kotak akuisi yang dibuat.
4. Tahap Pengujian (Testing)
Selanjutnya dilakukan pengujian terhadap aplikasi yang telah dibuat, untuk
mengetahui apakah aplikasi dapat mengidentifikasi dan mengenali tingkat
kematangan buah kopi pada citra.
5. Kesimpulan dan Saran
Kesimpulan diambil setelah seluruh langkah-langkah kegiatan selesai
dilakukan. Kesimpulan yang diperoleh dari kegiatan ini meliputi hasil yang
diperoleh termasuk perfoma aplikasi yang telah dirancang bangun. Saran
yang dapat diberikan merupakan harapan di masa datang untuk
pengembangan aplikasi selanjutnya.

3.5 Analisis Data

 23

Dibawah ini adalah tabel acuan yang berisi beberapa nilai-nilai fitur
parameter ciri dari buah kopi yang tersimpan dalam basis data tingkat kematangan
buah kopi :
Tabel 3.1 Parameter Ciri Tingkat Kematangan buah kopi
Mea StDe Mea StDe
Mean StDev_ Min_ Max Min_ Max Min_ Max
n_Ka v_Ka n_Ka v_Ka
Tingkat_Kematangan _Kad Kadar_ Kadar _Kad Kada _Kad Kada _Kad
dar_ dar_ dar_ dar_
ar_R R _R ar_R r_G ar_G r_B ar_B
G G B B
40,86 48,04 32,13 14,31 9,781
26,5497
14303 2784 9206 7369 4974
Hijau(Masih muda) 7890963 2 59 1 70 0 21
95913 1634 0485 0932 9302
78
2 738 089 312 444
41,42 24,27 15,43 9,268
38,48 22,5097
1434 5224 3638 7222
Hijau(Masih muda) 16933 5397766 1 52 1 56 0 21
0198 8778 4439 2609
6 06
322 693 359 554
93,05 73,87 38,69 21,80 11,35
Hijau 47,5257
40780 5886 3542 0531 5713
Kekuningan(Masih 6476715 6 119 3 95 1 28
14184 5248 9962 9148 7054
muda) 69
4 227 694 936 269
111,5 78,68 41,63 25,63 13,74
Hijau 58,7099
30612 1285 8281 4824 0632
Kekuningan(Masih 7622030 2 143 1 101 0 33
24489 2800 0073 1424 7324
muda) 2
8 695 064 229 111
100,4 28,34 15,94 13,44 7,530
Kuning 57,1442
13043 7826 7219 2028 6312
Kemerahan(Mulai 0206694 6 135 2 38 1 18
47826 0869 1814 9855 8013
Matang) 35
1 565 726 072 985
111,8 31,58 18,37 13,26 7,619
Kuning 66,3308
05668 8056 5451 8218 0897
Kemerahan(Mulai 9887836 5 153 2 43 1 18
01619 6801 7163 6234 3602
Matang) 02
4 619 025 818 786
67,86 13,99 7,486 13,21 7,070
Merah 35,7683
68714 5391 3917 7869 4811
Penuh(Matang 1622774 1 87 0 18 0 17
79774 7050 6859 9436 1478
Sempurna) 43
7 691 765 764 667
76,39 14,37 8,155 13,61 7,726
Merah 43,3551
55965 1448 9172 5056 6584
Penuh(Matang 3899413 0 101 0 19 0 18
90909 8636 3652 8181 3459
Sempurna) 65
1 364 073 818 859
36,17 10,77 5,895 15,39 8,421
19,7907
Merah Tua(Kelewat 18820 4603 1141 2290 5916
4037003 0 47 0 14 0 20
Matang) 86167 1746 5277 2494 4682
82
8 032 734 331 476
29,43 10,84 5,849 13,16 7,102
15,8770
Merah Tua(Kelewat 63873 4984 4522 8910 9063
8473519 0 38 0 14 0 17
Matang) 20885 8024 7086 1172 2890
16
8 316 006 384 151
21,05 11,18 35,87 19,05
26,51 14,0873
6451 7047 3954 9414
Hitam(Busuk) 55316 9355645 0 34 0 27 0 46
6129 8242 5997 8116
60693 15
032 409 61 696
15,17 12,28 7,612 12,28 7,612
9,40329
20500 2135 1908 2135 1908
Hitam(Busuk) 4522323 0 21 0 17 0 17
98879 7943 0378 7943 0378
61
4 309 578 309 578

Kemudian akan dilakukan pengujian untuk 1 buah kopi berdasarkan

prediksi manusia adalah Hitam (busuk). Hanya saja prediksi tersebut belum tentu
benar, oleh karena itu dilakukan pengujian pada komputer. Tabel 3.2 adalah tabel
nilai-nilai fitur yang didapat ketika proses pengujian 1 buah kopi :
Tabel 3.2 Nilai-nilai fitur yang didapat ketika proses pengujian 1 buah kopi
 24

Tingka
Mean_ StDev Max_ Mean_ StDev Min_K Max_ Mean_ StDev Max_
t_Kem Min_K Min_K
Kadar _Kada Kadar Kadar _Kada adar_ Kadar Kadar _Kada Kadar
atanga adar_R adar_B
_R r_R _R _G r_G G _G _B r_B _B
n
20,198 11,721 11,221 6,5116 9,7251 5,6434
X 34183 01602 0 27 30102 75568 0 15 27551 52159 0 13
67347 41444 04082 96911 02041 77323

Cara kerja komputer menentukan tingkat kematangan 1 buah kopi tersebut,

dengan melakukan perhitungan menggunakan metode Euclidean Distance.
Berikut ini perhitungan manual untuk perbandingan antara data parameter ciri
yang tersimpan didalam basis data dan data uji :
1. Perhitungan antara data parameter ciri Hijau (Masih Muda) baris 1 dengan
data uji Hitam (Busuk) :
(40,8614303959132 − 20,1983418367347)2 + (26,5497789096378 −
11,7210160241444)2 + (2 − 0)2 + (59 − 27)2 + (48,0427841634738 −
11,2213010204082)2 + (32,1392060485089 − 6,51167556896911)2 + (1 − 0)2 +
(70 − 15)2 + (14,3173690932312 − 9,72512755102041)2 + (9,78149749302444 −
5,64345215977323)2 + (0 − 0)2 + (21 − 13)2 =
426,9632+219,8922+4+1024+1355,822+656,7703+1+3025+21,08868+17,12342+0+64 =
√6815,659478 = 82,55701

2. Perhitungan antara data parameter ciri Hijau (Masih Muda) baris 2 dengan data
uji Hitam (Busuk) :
(38,4816933638444 − 20,1983418367347)2 + (22,5097539776606 −
11,7210160241444)2 + (1 − 0)2 + (52 − 27)2 + (41,4214340198322 −
11,2213010204082)2 + (24,2752248778693 − 6,51167556896911)2 + (1 − 0)2 +
(56 − 15)2 + (15,4336384439359 − 9,72512755102041)2 + (9,26872222609554 −
5,64345215977323)2 + (0 − 0)2 + (21 − 13)2 =
334,2809+116,3969+1+625+912,048+315,5437+1+1681+32,5871+13,14258+0+64 =
√4095,999207 = 63,99999

3. Perhitungan antara data parameter ciri Hijau Kekuningan (Masih Muda) baris 3
dengan data uji Hitam (Busuk) :
(93,0540780141844 − 20,1983418367347)2 + (47,5257647671569 −
11,7210160241444)2 + (6 − 0)2 + (119 − 27)2 + (73,8758865248227 −
11,2213010204082)2 + (38,6935429962694 − 6,51167556896911)2 + (3 − 0)2 +
(95 − 15)2 + (21,8005319148936 − 9,72512755102041)2 + (11,3557137054269 −
5,64345215977323)2 + (1 − 0)2 + (28 − 13)2 =
5307,958+ 1281,98+36+ 8464+ 3925,597+1035,673+9+6400+145,8154+32,62993+1+225 =
√26864,65332 = 163,9044

4. Perhitungan antara data parameter ciri Hijau Kekuningan (Masih Muda) baris 4
dengan data uji Hitam (Busuk) :
 25

(111,530612244898 − 20,1983418367347)2 + (58,709976220302 −

11,7210160241444)2 + (2 − 0)2 + (143 − 27)2 + (78,6812852800695 −
11,2213010204082)2 + (41,6382810073064 − 6,51167556896911)2 + (1 − 0)2 +
(101 − 15)2 + (25,6348241424229 − 9,72512755102041)2 + (13,7406327324111 −
5,64345215977323)2 + (0 − 0)2 + (33 − 13)2 =
8341,584+ 2207,962+4+13456+4550,849+1233,878+1+7396+253,1184+65,56433+0+400 =
√37909,95666 = 194,7048

5. Perhitungan antara data parameter ciri Kuning Kemerahan (Mulai Matang)

baris 5 dengan data uji Hitam (Busuk) :
(100,413043478261 − 20,1983418367347)2 + (57,1442020669435 −
11,7210160241444)2 + (6 − 0)2 + (135 − 27)2 + (28,3478260869565 −
11,2213010204082)2 + (15,9472191814726 − 6,51167556896911)2 + (2 − 0)2 +
(38 − 15)2 + (13,4420289855072 − 9,72512755102041)2 + (7,53063128013985 −
5,64345215977323)2 + (1 − 0)2 + (18 − 13)2 =
6434,398+2063,266+36+11664+293,3179+89,02948+4+529+13,81536+3,561445+1+25
= √21156,38834 = 145,4524

6. Perhitungan antara data parameter ciri Kuning Kemerahan (Mulai Matang)

baris 6 dengan data uji Hitam (Busuk) :
(111,805668016194 − 20,1983418367347)2 + (66,3308988783602 −
11,7210160241444)2 + (5 − 0)2 + (153 − 27)2 + (31,5880566801619 −
11,2213010204082)2 + (18,3754517163025 − 6,51167556896911)2 + (2 − 0)2 +
(43 − 15)2 + (13,2682186234818 − 9,72512755102041)2 + (7,61908973602786 −
5,64345215977323)2 + (1 − 0)2 + (18 − 13)2 =
8391,902+2982,239+25+15876+414,8047+140,7492+4+784+12,55349+3,903144+1+25
= √28661,15207 = 169,296

7. Perhitungan antara data parameter ciri Merah Penuh (Matang Sempurna) baris
7 dengan data uji Hitam (Busuk) :
(67,8668714797747 − 20,1983418367347)2 + (35,7683162277443 −
11,7210160241444)2 + (1 − 0)2 + (87 − 27)2 + (13,9953917050691 −
11,2213010204082)2 + (7,48639176859765 − 6,51167556896911)2 + (0 − 0)2 +
(18 − 15)2 + (13,2178699436764 − 9,72512755102041)2 + (7,07048111478667 −
5,64345215977323)2 + (0 − 0)2 + (17 − 13)2 =
2272,289+ 578,2726+1+3600+7,695579+0,950072+0+9+12,19925+2,036412+0+16
= √6499,442677 = 80,61912

8. Perhitungan antara data parameter ciri Merah Penuh (Matang Sempurna) baris
8 dengan data uji Hitam (Busuk) :
(76,3955965909091 − 20,1983418367347)2 + (43,3551389941365 −
11,7210160241444)2 + (0 − 0)2 + (101 − 27)2 + (14,3714488636364 −
11,2213010204082)2 + (8,15591723652073 − 6,51167556896911)2 + (0 − 0)2 +
 26

(19 − 15)2 + (13,6150568181818 − 9,72512755102041)2 + (7,72665843459859 −

5,64345215977323)2 + (0 − 0)2 + (18 − 13)2 =
3158,131+1000,718+0+5476+9,923431+2,703531+0+16+15,13155+4,339748+0+25
= √9707,947438 = 98,52892

9. Perhitungan antara data parameter ciri Merah Tua (Kelewat Matang) baris 9
dengan data uji Hitam (Busuk) :
(36,1718820861678 − 20,1983418367347)2 + (19,7907403700382 −
11,7210160241444)2 + (0 − 0)2 + (47 − 27)2 + (10,7746031746032 −
11,2213010204082)2 + (5,89511415277734 − 6,51167556896911)2 + (0 − 0)2 +
(14 − 15)2 + (15,3922902494331 − 9,72512755102041)2 + (8,42159164682476 −
5,64345215977323)2 + (0 − 0)2 + (20 − 13)2 =
255,154+65,12045+0+400+0,199539+0,380148+0+1+32,11673+7,718059+0+49
= √810,6889181 = 28,4726

10. Perhitungan antara data parameter ciri Merah Tua (Kelewat Matang) baris 10
dengan data uji Hitam (Busuk) :
(29,4363873208858 − 20,1983418367347)2 + (15,8770847351916 −
11,7210160241444)2 + (0 − 0)2 + (38 − 27)2 + (10,8449848024316 −
11,2213010204082)2 + (5,84945227086006 − 6,51167556896911)2 + (0 − 0)2 +
(14 − 15)2 + (13,1689101172384 − 9,72512755102041)2 + (7,10290632890151 −
5,64345215977323)2 + (0 − 0)2 + (17 − 13)2 =
85,34148+17,27291+0+121+0,141614+0,43854+0+1+11,85964+2,130006+0+16
= √255,1841899 = 15,97449

11. Perhitungan antara data parameter ciri Hitam (Busuk) baris 11 dengan data uji
Hitam (Busuk) :
(26,515531660693 − 20,1983418367347)2 + (14,0873935564515 −
11,7210160241444)2 + (0 − 0)2 + (34 − 27)2 + (21,0564516129032 −
11,2213010204082)2 + (11,1870478242409 − 6,51167556896911)2 + (0 − 0)2 +
(27 − 15)2 + (35,873954599761 − 9,72512755102041)2 + (19,0594148116696 −
5,64345215977323)2 + (0 − 0)2 + (46 − 13)2 =
39,90689+5,599743+0+49+96,73019+21,85911+0+144+683,7612+179,9881+0+1089
= √2309,845133 = 48,06085

12. Perhitungan antara data parameter ciri Hitam (Busuk) baris 12 dengan data uji
Hitam (Busuk) :
(15,1720500988794 − 20,1983418367347)2 + (9,40329452232361 −
11,7210160241444)2 + (0 − 0)2 + (21 − 27)2 + (12,2821357943309 −
11,2213010204082)2 + (7,61219080378578 − 6,51167556896911)2 + (0 − 0)2 +
(17 − 15)2 + (12,2821357943309 − 9,72512755102041)2 + (7,61219080378578 −
5,64345215977323)2 + (0 − 0)2 + (17 − 13)2 =
25,26361+5,371833+0+36+1,12537+1,211134+0+4+6,538291+3,875932+0+16
= √99,3861688 = 9,969261
 27

Kemudian setelah dilakukan perhitungan perbandingan antara data

parameter ciri dan data uji sehingga didapatkan hasil sebagai berikut :
Tabel 3.3 Hasil jarak pendekatan Raw Euclidean Distance
Nomor Parameter Ciri Citra Uji Nilai jarak
1 Hijau (Masih Muda) 82,55701
2 Hijau (Masih Muda) 63,99999
3 Hijau Kekuningan(Masih Muda) 163,9044
4 Hijau Kekuningan(Masih Muda) 194,7048
Kuning Kemerahan(Mulai
5 145,4524
Matang)
Kuning Kemerahan(Mulai
6 X 169,296
Matang)
Merah Penuh (Matang
7 80,61912
Sempurna)
Merah Penuh (Matang
8 98,52892
Sempurna)
9 Merah Tua (Kelewat Matang) 28,4726
10 Merah Tua (Kelewat Matang) 15,97449
11 Hitam (Busuk) 48,06085
12 Hitam (Busuk) 9,969261

Euclidean Distance digunakan untuk menentukan pencarian suatu citra uji

berdasarkan kemiripan pada citra acuan. Menggunakan nilai-nilai fitur warna
yang dimiliki pada suatu citra dapat menentukan tingkat kesamaan antara dua
citra. Apabila nilai jarak yang dihasilkan semakin kecil kemungkinan yang terjadi
adalah semakin dekat kesamaan antara kedua citra tersebut. Sebaliknya apabila
nilai yang dihasilkan semakin besar maka kedua citra tidak memiliki kesamaan.
Berdasarkan Data tabel 3.3 nilai terkecil dari nilai jarak adalah 9,969261 sehingga
dapat disimpulkan 1 buah kopi X yang diuji memiliki tingkat kematangan Hitam
(Busuk).