SKRIPSI
oleh
SKRIPSI
sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains Terapan (SST)
di Program Studi Teknik Informatika
Jurusan Teknologi Informasi
oleh
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 ?
1.3.2 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
4
5
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.
Representation
Segmentation And
Desciption
Preprocessing
Result
Recognition
Knowledge and
Problem Base Interpretation
domain
Image
Acquisition
Gambar 2.2 Citra kontinu (kiri), Citra digital hasil sampling dan kuantisasi (kanan)
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
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.
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.
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
di mana ada k klasterSi, i= 1,2,..., k dan μi adalah pusat luasan atau titik dari
semua poin-poin.
Mulai
Tentukan
jumlah cluster
Adakah
obyek yang Selesai
Hitung jarak obyek ke centroid berpindah?
Tidak
4. Tiap-tiap piksel citra dikonversi dalam suatu garis vektor RGB, dan
ditampilkan menggunakan rata-rata dari kelompok warna yang dihasilkan.
20
21
Mulai
Pengumpulan Data
Pemograman(Coding) dan
Perancangan Mekanik
Tahap Pengujian(Testing)
Selesai
Gambar 3.1Tahap-tahap kegiatan.
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.
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
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
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
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
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