Skripsi Pepimo

EVALUASI TINGKAT KEMATANGAN BUAH PEPINO UNGU
MENGGUNAKAN PENGOLAHAN CITRA DIGITAL
KRESNANTO HERLAMBANG
DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM

FAKULTAS TEKNOLOGI PERTANIAN
INSTITUT PERTANIAN BOGOR
2017
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER
INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa skripsi Evaluasi Tingkat Kematangan

Buah Pepino Ungu Menggunakan Pengolahan Citra Digital adalah benar karya
saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk
apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau
dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain
telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian
akhir skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada
Institut Pertanian Bogor.
Bogor, Agustus 2017
Kresnanto Herlambang
F14130039
ABSTRAK
KRESNANTO HERLAMBANG. Evaluasi Tingkat Kematangan Buah Pepino

Ungu Menggunakan Pengolahan Citra Digital. Dibimbing oleh USMAN AHMAD.
Salah satu buah yang diduga mempunyai potensi anti kanker adalah
pepino. Penentuan tingkat kematangan buah pepino masih dilakukan secara
manual, yaitu dengan melihat warna buah dan menekan badan buah. Metode
manual seperti ini memiliki kelemahan, yaitu tidak konsisten dan tidak akurat
serta bersifat destruktif. Penelitian ini bertujuan untuk mempelajari parameter
kematangan buah pepino dengan tingkat kematangan berbeda menggunakan
metode pengolahan citra. Citra pepino diambil menggunakan kamera CCD untuk
mendapatkan citra dalam bentuk bitmap, citra diolah untuk mendapatkan nilai
indeks warna RGB dan nilai HSI. Buah pepino diukur bobot, kekerasan dan TPT.
Korelasi antara pengukuran non-destruktif berdasarkan pengolahan citra dengan
pengukuran destruktif yang diukur pada tiga tingkat kematangan yang berbeda
yaitu umur panen 90 HST, 105 HST dan 120 HST. Hasil penelitian menunjukkan
luas area proyeksi buah memiliki korelasi dengan bobot buah dengan nilai
koefisien determinasi (R2) sebesar 0.917. Indeks warna merah, indeks warna
hijau, indeks warna biru, nilai hue, nilai saturasi dan nilai intensitas memiliki nilai
yang overlap antar umur panen buah pepino ungu dan memiliki nilai koefisien
korelasi yang kecil terhadap TPT dan kekerasan buah (r<0.5). Berdasarkan
analisis diskriminan, parameter yang dapat digunakan untuk menentukan
kematangan buah pepino ungu adalah luas area proyeksi, nilai saturasi dan nilai
intensitas dengan ketepatan model diskriminan sebesar 82.5%.
Kata kunci: analisis diskriminan, buah pepino ungu, kematangan, pengolahan citra
ABSTARCT
KRESNANTO HERLAMBANG. Evaluation of Purple Pepino Fruit Ripeness

Level using Digital Image Processing. Supervised by USMAN AHMAD.
One fruit that is suspected to have anti-cancer potential is pepino.

Determination of pepino fruit ripeness level is still done manually by looking at
the color of the fruit and pressing the fruit body. Manual methods such as these
have weaknesses, which are inconsistent and inaccurate and destructive. The
purpose of this research is to study the ripeness parameters of pepino fruit with
different ripeness levels using image processing methods. Pepino image is taken
using CCD camera to get the image in bitmap, the image is processed to get RGB
color index value and HSI value. Pepino fruit measured weight, hardness and
TPT. Correlation between non-destructive measurements based on image
processing with destructive measurements that measured at three different levels
of maturity ie harvest age 90 DAP, 105 DAP and 120 DAP. The results showed
that the area of projection of fruit has correlation with fruit weight with coefficient
of determination (R2) value is 0.917. The red color index, the green color index,
the blue color index, the hue value, the saturation value and the intensity value
have an overlap value between the purple pepino fruit harvest age and have a
small correlation coefficient value to the TPT and fruit hardness (r <0.5). Based
on the discriminant analysis, the parameters that can be used to determine the
ripeness of the purple pepino fruit are the area of projection, the saturation value
and the intensity value with the discriminant analysis accuracy of 82.5%.
Keywords: discriminant analysis, image processing, purple pepino fruit, ripeness

EVALUASI TINGKAT KEMATANGAN BUAH PEPINO UNGU
MENGGUNAKAN PENGOLAHAN CITRA DIGITAL
KRESNANTO HERLAMBANG
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Teknik
pada
Departemen Teknik Mesin dan Biosistem
DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM

FAKULTAS TEKNOLOGI PERTANIAN
INSTITUT PERTANIAN BOGOR
BOGOR
2017
PRAKATA
Puji syukur penulis panjatkan kehadirat Allah SWT, karena atas rahmat
dan karunia-Nya penulis dapat menyelesaikan penyusunan skripsi dengan judul
Evaluasi Tingkat Kematangan Buah Pepino Ungu Menggunakan Pengolahan
Citra Digital. Dalam penyusunan skripsi ini, tidak sedikit hambatan yang penulis
hadapi. Namun penulis menyadari bahwa kelancaran dalam penyusunan skripsi
ini tidak lain berkat bantuan, dorongan dan bimbigan berbagai pihak. Oleh karena
itu penulis mengucapkan terima kasih kepada:
1. Dr. Ir. Usman Ahmad, M.Agr selaku dosen pembimbing tugas akhir dan
Dr. Ir. I Dewa Made Subrata, M.Agr dan Dr. Ir. Emmy Darmawati Msi
selaku dosen penguji, atas arahan dan bimbingannya.
2. Bapak Muryanto dan Ibu Sulistyowati selaku kedua orang tua atas
dukungan, kasih sayang, dan doa yang selalu diberikan kepada penulis.
3. Bapak Sulyaden, Bapak Abas, Yudha Palastra, Fauzi Rizki, Suherda,
Maman Setiawan. Christiandy Hawino, dan Fachmi atas bantuan yang
diberikan selama penelitian berlangsung.
4. Rozy Nur Badriyah SP atas bantuan dan dorongan yang diberikan selama
penelitian dan penulisan skripsi berlangsung.
5. M Ari Purnama Adji, Bagus Arif Wicaksono, dan Muadz Abdul Rosyid
selaku sahabat satu bimbingan atas dukungan dan bantuannya selama
penelitian berlangsung.
6. Keluarga besar Teknik Mesin dan Biosistem angkatan 50 atas dukungan,
kebersamaan dan bantuannya selama penulis menempuh pendidikan sarjana.
Penulis menyadari bahwa penyusunan skripsi ini masih jauh dari
sempurna. Oleh karena itu, penulis senantiasa menerima kritik dan saran yang
membangun demi penyempurnaan di waktu yang akan datang. Semoga skripsi ini
bermanfaat dan dapat memberikan kontribusi nyata dalam perkembangan ilmu
pengetahuan.
Bogor, Agustus 2017
Kresnanto Herlambang
DAFTAR ISI
DAFTAR TABEL viii

DAFTAR GAMBAR viii
DAFTAR LAMPIRAN viii
PENDAHULUAN 1
Latar Belakang 1
Perumusan Masalah 2
Tujuan 2
TINJAUAN PUSTAKA 2
Pepino 2
Penanganan Pascapanen Pepino 4
Kematangan dan Umur Panen 5
Pengolahan Citra 7
Aplikasi Pengolahan Citra untuk Evaluasi Mutu Produk Hortikultura 8
Analisis Diskriminan 9
METODOLOGI 12
Waktu dan Tempat Penelitian 12
Prosedur Penelitian 13
HASIL DAN PEMBAHASAN 16
Pengukuran Kualitas Buah Pepino Secara Aktual 16
Analisis Data Pengolahan Citra 19
Analisis Diskriminan 27
SIMPULAN DAN SARAN 31
Simpulan 31
Saran 31
DAFTAR PUSTAKA 32
LAMPIRAN 35
RIWAYAT HIDUP 60
DAFTAR TABEL
1. Kandungan gizi buah pepino 3

2. Klasifikasi kualitas buah pepino 5
3. Statistik uji multikolinieritas antar variabel penduga 28
4. Uji Box’s 28
5. Hasil pengklasifikasian umur panen pepino ungu 30
DAFTAR GAMBAR
1. Laju respirasi buah Pepino pada suhu 20°C. 1

2. Pepino kuning 4
3. Pepino ungu 4
4. Pencampuran warna model warna RGB dan model warna CMY 7
5. Diagram alir penelitian 13
6. Diagram alir prosedur pengolahan citra 15
7. Pemetaan bobot buah berdasarkan beberapa tingkat umur panen 16
8. Pemetaan nilai kekerasan buah berdasarkan beberapa tingkat umur
panen 17
9. Pemetaan nilai total padatan terlarut buah berdasarkan beberapa
tingkat umur panen 18
10. Pemetaan indeks warna merah berdasarkan beberapa tingkat umur
panen 19
11. Pemetaan indeks warna hijau berdasarkan beberapa tingkat umur
panen 20
12. Pemetaan indeks warna hijau berdasarkan beberapa tingkat umur
panen 21
13. Pemetaan nilai hue kulit buah berdasarkan beberapa tingkat umur
panen 22
14. Pemetaan nilai saturasi kulit buah berdasarkan beberapa tingkat
umur panen 23
15. Pemetaan nilai intensitas kulit buah berdasarkan beberapa tingkat
umur panen 23
16. Hubungan bobot buah terhadap luas area proyeksi buah 24
17. Grafik hubungan nilai RGB dan HSI dengan kekerasan kulit 25
18. Grafik hubungan nilai RGB dan HSI dengan TPT daging buah 26
19. Plot kuantil khi-kuadrat 27
20. Plot pengelompokan buah pepino ungu berdasarkan tiga umur
panen berbeda 39
21. Buah umur panen 90 HST 30
DAFTAR LAMPIRAN
1. Foto proses penelitian 37

2. Pemrograman pengolahan citra pepino ungu 38
3. Tampilan program pengolahan citra 43
4. Data pengukuran kekerasan aktual buah pepino ungu 44
5. Data pengukuran total padatan terlarut aktual buah pepino ungu 46
6. Dimensi buah ppeino pada berbagai tinglat kematangan 48
7. Data pengukuran bobot pepino ungu pada berbagai umur panen 50
8. Data hasil pengolahan citra pepino ungu umur panen 90 HST 51
9. Data hasil pengolahan citra pepino ungu umur panen 105 HST 53
10. Data hasil pengolahan citra pepino ungu p umur panen 120 HST 55
11. Analisis sidik ragam (ANOVA) 57
12. Hasil uji beda nyata Duncan’s multiple range test (DMRT) pada
taraf kepercayaan 95% 58
13. Analisis diskriminan 59
1
PENDAHULUAN
Latar Belakang
Meningkatnya kesadaran untuk hidup sehat telah mendorong konsumen

untuk meningkatkan konsumsi buah sebagai suatu bagian dari pola makan yang
berdasarkan kepada prinsip “back to nature”, yaitu suatu gaya hidup yang sedapat
mungkin memanfaatkan bahan-bahan segar alami dalam kehidupan sehari-hari
(Astawan dan Andreas 2008).
Salah satu buah yang diduga mempunyai potensi anti kanker adalah
pepino. Beberapa penelitian menyebutkan bahwa ekstrak pepino mengandung
asam askorbat, alkaloid, karotenoid dan komponen fenol yang efektif sebagai
sumber antioksidan dan senyawa pelawan radikal bebas (Almatsier 2010).
Pengolahan buah ini belum banyak menggunakan teknologi pengolahan sehingga
buah pepino biasanya dikonsumsi secara langsung, dibuat jus, isi es buah dan
sebagai campuran salad. Konsumen lebih memilih pepino yang manis dengan
tekstur yang tidak terlalu lembek dan bentuk buah yang bagus (Hakimah 2010).
Saat ini konsumsi buah pepino sudah mulai meningkat. Hal ini disebabkan karena
sudah mulai banyak penelitian yang membuktikan mengenai manfaat serta
kandungan gizi yang terdapat pada buah pepino yang sangat bermanfaat bagi
kesehatan (Amriani et al. 2015). Menurut Budi Sutomo, salah seorang peneliti dan
tim dapur uji kulinar buah-buahan di Kalibata Jakarta Selatan, Pepino adalah
pendatang baru yang kaya akan manfaat (Shop 2010).
Pepino menunjukkan pola non klimakterik (Galetti et al. 2005) (Kader
2000) (Ahumada dan Cantwell 1996) dengan pola respirasi seperti pada Gambar
1. Buah pepino memiliki rasa seperti buah melon. Selain itu, seperti juga ada rasa-
rasa buah apel, mentimun dan terong belanda yang bercampur dengan rasa buah
pepino (Marza 2010). Walaupun memiliki beberapa kesamaan yang menonjol
daripada perbedaannya, kedua buah ini tidak berasal dari famili yang sama.
Gambar 1 Laju respirasi (produksi CO2) buah Pepino pada suhu 20°C.
(Galetti et al. 2005)
Penanganan pascapanen buah yang tidak dilakukan secara hati-hati dapat

menyebabkan perubahan fisiologis, perubahan kimiawi dan mikrobiologis buah.
2
Masa simpan buah tergantung pada kandungan air dan tingkat kematangan buah,
semakin tinggi kandungan air pada buah maka semakin cepat buah itu rusak dan
sebaliknya, makin rendah kandungan air buah maka semakin lama umur simpan
dan rusaknya buah. Penanganan pascapanen yang dapat dilakukan adalah dengan
mengolah buah menjadi suatu olahan pangan berupa minuman serbuk instan
sehingga dapat memperpanjang umur simpan buah (Muchtadi dan
Ayutaningwarno 2010).
Saat ini untuk menentukan tingkat kematangan buah pepino masih
dilakukan secara manual yaitu dengan melihat warna buah dan menekan badan
buah (kekerasan buah). Metode manual seperti ini menghasilkan kesalahan
penentuan tingkat kematangan buah pepino yang tinggi. Hal tersebut dikarenakan
metode manual menghasilkan penentuan kematangan yang tidak konsisten dan
tidak akurat serta bersifat destruktif, apalagi jika jumlah pepino yang ada cukup
banyak. Salah satu metode yang dapat digunakan untuk menentukan tingkat
kematangan buah pepino adalah penerapan teknologi pengolahan citra.
Penggunaan teknologi pengolahan citra yang bersifat non-destruktif merupakan
cara untuk mempercepat waktu pengukuran dan dapat dilakukan tanpa merusak
produk.
Perumusan Masalah
Saat ini, penentuan kematangan buah pepino masih dilakukan secara
manual menggunakan visual manusia sehingga membuat hasil dari penentuan
kematangan tersebut kurang akurat dan kurang objektif akibat keterbatasan visual
manusia. Klasifikasi dengan metode kuantitatif yang yang ada hanya berdasarkan
dengan berat buah. Oleh karena itu, diperlukan sistem visual yang dapat
digunakan untuk proses pemutuan pada buah pepino ungu. Salah satu sistem
visual yang dapat digunakan adalah teknologi pengolahan citra. Penggunaan
teknologi ini diharapkan dapat membantu proses pengukuran kematangan
sehingga diperoleh hasil yang lebih konsisten, akurat dan cepat.
Tujuan Penelitian
Penelitian ini bertujuan untuk :
1. Mempelajari parameter kematangan buah pepino dengan tingkat kematangan
berbeda menggunakan metode pengolahan citra.
2. Menentukan korelasi antara pengukuran non-destruktif berdasarkan
pengolahan citra dengan destruktif pada beberapa tingkat kematangan pepino.
TINJAUAN PUSTAKA
Pepino
Tanaman pepino mulai dikenal pada akhir tahun 2000. Tanaman yang
memiliki nama latin Solanum muricatum Aiton ini termasuk dalam famili
Solanaceae (terung-terungan).
3
Pepino merupakan tanaman semak, tidak bercabang, dengan akar berinti

kayu dan berserat. Pertumbuhannya tegak atau meninggi kira-kira mencapai tiga
kaki. Tanaman ini mirip dengan tomat, yang membutuhkan batang penegak atau
pendukung lain. Sosok tanaman mirip dengan tanaman cabai, dengan batang
beruas-ruas. Pada ruas-ruas batang dapat tumbuh tunas-tunas akar yang digunakan
untuk perbanyakan tanaman. Tanaman hasil perbanyakan dengan biji akan
membentuk perakaran tunjang, meskipun ada sedikit akar serabut. Namun jika
diperbanyak melalui setek, hanya akan terbentuk akar serabut.
Kingdom : Plantae
Divisi : Angiospermae
Kelas : Dicotyledonae
Famili : Solanaceae
Genus : Solanum
Spesies : Solanum muricatum Aiton
Buah dari kultivar yang ditumbuhkan di Indonesia biasanya berbentuk
bulat sampai bulat telur, berukuran panjang kira kira 2-4 inci, beberapa dapat
mencapai 6 inci. Kulit buah biasanya berwarna kuning atau hijau keungu-unguan,
sering memiliki sejumlah coreng atau lurik yang berwarna lebih gelap. Daging
buah berwarna kehijau-hijauan sampai putih dan jingga kekuning-kuningan
(Sarno dan Purnama 2005). Buah pepino sangat berair, lebih-lebih pada saat
musim hujan. Pada musim kemarau, rasa buah lebih manis dibandingkan dengan
saat musim hujan (Sarno dan Purnama 2005). Kandungan gizi buah pepino per
100 g buah ditunjukkan pada Tabel 1.
Tabel 1 Kandungan Gizi buah pepino

No Zat Gizi Jumlah
1 Energi 80 kkal
2 Karbohidrat 22 g
3 Protein 0.6 g
4 Lemak 0g
5 Serat 5g
6 Vitamin C 25.1 mg
7 Betakaroten 26.6 mg
Sumber : Marunting (2011)
Buah yang berkualitas baik adalah yang agak manis, menyegarkan dan
berair, dengan rasa dan aroma yang mirip dengan kombinasi pepino ungu dan
blewah. Pada varietas yang buruk mungkin terdapat aftertase “bersabun” yang
tidak menyenangkan. Ada dua jenis buah pepino yang dikenal di Indonesia, yaitu
pepino warna kuning dan pepino warna ungu.
1. Pepino Kuning
Buah pepino kuning memiliki bentuk beraneka ragam, namun biasanya
berbentuk bulat sampai oval (bulat telur). Daun tanaman berwarna hijau terang,
helaian daun tertutup bulu-bulu kecil dan jarang. Bunga berwarna putih kecil,
berbentuk mirip dengan bunga tanaman yang lain yang termasuk famili
Solanaceae. Batang tanaman berwarna hijau ketika masih muda dan berubah
menjadi kecoklatan ketika sudah tua. Buah muda berwarna hijau. Seiring dengan
pertumbuhan tanaman, warna buah berangsur-angsur berubah menjadi hijau
4
keputih-putihan kemudian menjadi kuning ketika masak. Daging buah masak juga
berwarna kuning seperti pada Gambar 2.
Gambar 2 Pepino kuning
2. Pepino Ungu
Sesuai dengan namanya, buah pepino jenis ini berwarna ungu sejak muda
hingga buah masak. Tangkai dan tulang daun tanaman pun berwarna ungu,
demikian juga bunganya. Buah berbentuk memanjang seperti terung. Daging buah
memiliki warna yang sama dengan pepino kuning seperti pada Gambar 3.
Gambar 3 Pepino ungu
Penanganan Pascapanen Pepino
Buah pepino merupakan komoditas pertanian yang lunak sehingga mudah

rusak (perishable). Oleh karena itu diperlukan penanganan pascapanen yang
ekstra hati-hati agar dapat diperoleh buah berkualitas tinggi. Buah yang telah
dipanen dapat bertahan tiga hingga empat minggu pada suhu penyimpanan kurang
dari 3.30C dan kelembapan relatif tinggi. Buah dipanen pada umur tiga hingga
empat bulan setelah tanam (Sarno dan Purnama 2005).
Penanganan pascapanen merupakan segala kegiatan yang yang dilakukan
mulai buah dipanen hingga buah siap dipasarkan atau dikonsumsi (Ahmad 2013).
Kegiatan pascapanen ini meliputi kegiatan sebagai berikut :
1. Pengumpulan Hasil
Buah ditampung dalam wadah yang lunak (atau wadah yang sudah
dilapisi) dengan hati-hati. Buah dengan tingkat kematangan yang paling tinggi
5
diusahakan untuk diletakkan pada tumpukan yang paling atas (buah mengkal atau
keras diletakkan dibawah). Buah jangan terlalu lama ditumpuk dalam wadah yang
tidak beralas.
2. Pengangkutan dan Pembersihan
Buah hasil panen diangkut dari sawah ke tempat penampungan hasil,
kemudian buah dihamparkan diatas lantai atau papan yang telah dialasi dengan
kain terpal atau plastik. Usahakan agar tidak terjadi penumpukan, apabila perlu
dapat dilakukan pembersihan secara hati-hati menggunakan kain halus untuk
buah-buah yang kotor karena tanah, tertempel daun-daun kering dan busuk agar
buah lebih bersih dan bersinar.
3. Pemisahan (Sortasi dan Klasifikasi)
Buah hasil panen dipisah-pisahkan antara yang bagus dan yang tidak
bagus (abnormal, rusak karena serangan hama penyakit, atau rusak mekanis).
Buah yang bagus di pisah-pisahkan lagi berdasarkan ukuran, bentuk buah, atau
warna.
Berdasarkan kualitasnya, buah pepino ini diklasifikasikan menjadi
beberapa kelas dengan kriteria-kriteria tersendiri. Klasifikasi tersebut dapat dilihat
pada Tabel 2. Disamping karakteristik pada Tabel 2, persyaratan umum yang
harus diperhatikan adalah buah dalam kondisi sehat, bebas hama dan penyakit,
bebas partikel tanah dan zat-zat lain.
4. Pengepakan dan Pengangkutan
Buah yang telah disortasi dimasukkan ke dalam kardus karton atau
keranjang plastik (krat). Buah disusun satu per satu dengan diberi potongan kertas
atau sterofoam untuk setiap lapisan. Kardus harus berlubang untuk sirkulasi udara.
Dengan demikian, buah siap dikirim atau didistribusikan.
Tabel 2 Klasifikasi kualitas buah pepino

No Kulitas Buah Karakteristik
- Buah utuh
- Berat 300-400 g/buah
1 GradeA
- Seragam dalam bentuk, ukuran dan tingkat
kematangan
- Buah utuh
2 Grade B - Berat 200-300 g/buah
- Bentuk bervariasi
- Buah masih baik
- Berat 100-200 g/buah
3 Grade C
- Merupakan buah yang tidak lolos seleksi Grade A
dan Grade B
Sumber : Sarno dan Purnama (2005)
Kematangan dan Umur Panen
Panen merupakan pekerjaan akhir dari budidaya tanaman (bercocok

tanam), tapi merupakan awal dari pekerjaan pascapanen, yaitu melakukan
persiapan untuk penyimpanan dan pemasaran. Komoditas yang dipanen tersebut
selanjutnya akan melalui jalur-jalur tataniaga, sampai berada ditangan konsumen.
Panjang pendeknya jalur tata niaga tersebut menentukan tindakan panen dan
6
pascapanen yang bagaimana yang sebaliknya dilakukan. Pada dasarnya yang

dituju pada perlakuan panen adalah mengumpulkan komoditas dari lahan
penanaman, pada taraf kematangan yang tepat, dengan kerusakan yang minimal,
dilakukan secepat mungkin dan dengan biaya yang rendah (Santoso 2015).
Tingkat kematangan saat panen sangat menentukan kualitas komoditi
panenan. Kualitas yang dimaksud adalah kualitas penyimpanan, kualitas nutrisi
terkandung, dan kualitas penampilan. Hal ini dikarenakan tingkat kematangan
panen sangat menentukan kepekaan komoditi panenan tersebut terhadap keadaan
lingkungan dan juga kepekaan terhadap beberapa keadaan yang mempengaruhi
(perlakuan yang dikenakan) (Santoso 2015).
Sistem panen menentukan tingkat atau indeks kematangan suatu komoditi
yang tepat. Kapan suatu komoditi dipanen dengan menggunakan sistem panenan
tertentu sangat menentukan indeks kematangan yang tepat. Hal ini berkaitan erat
dengan terhindarkannya kemungkinan luka fisik pada komoditi panenan akibat
diterapkannya suatu teknik panenan tertentu yang terpilih (Santoso 2015).
Menentukan tingkat kematangan buah pada saat panen akan sangat menentukan
kualitas dan kuantitas hasil dan juga sangat berpengaruh pada penanganan
pascapanen buah tersebut (Zulkarnain 2010).
Menurut Mutiarawati (2016), untuk mendapatkan hasil panen yang baik, 2
hal utama yang perlu diperhatikan pada pemanenan, yaitu :
1. Menentukan waktu panen yang tepat. Yaitu menentukan “kematangan” yang
tepat dan saat panen yang sesuai, dapat dilakukan berbagai cara, yaitu :
a) Cara visual / penampakan : misal dengan melihat warna kulit, bentuk buah,
ukuran, perubahan bagian tanaman seperti daun mengering dan lain-lain
b) Cara fisik : misal dengan perabaan, buah lunak, umbi keras, buah mudah
dipetik dan lain-lain.
c) Cara komputasi, yaitu menghitung umur tanaman sejak tanam atau umur buah
dari mulai bunga mekar.
d) Cara kimia, yaitu dengan melakukan pengukuran/analisis kandungan zat atau
senyawa yang ada dalam komoditas, seperti kadar gula, kadar tepung, kadar
asam, aroma dan lain-lain.
2. Melakukan penanganan panen yang baik. Yaitu menekan kerusakan yang dapat
terjadi. Dalam suatu usaha pertanian (bisnis) cara-cara panen yang dipilih perlu
diperhitungankan, disesuaikan dengan kecepatan atau waktu yang diperlukan
(sesingkat mungkin) dan dengan biaya yang rendah.
Umumnya penentuan umur panen yang digunakan adalah dengan metode
komputasi yaitu dengan menghitung umur tanaman sejak tanam atau lebih sering
disebut umur panen hari setelah tanam dan dengan menghitung umur panen mulai
bunga mekar atau hari setelah bunga. Kedua cara tersebut memiliki kelebihan dan
kekurangan masing-masing. Pada tanaman produksi yang memiliki hasil produksi
yang berlimpah dalam satu tanaman produksi, penentuan umur panen dengan
umur tanaman sejak tanam lebih sering digunakan oleh petani karena lebih
sederhana dan mudah untuk dilakukan. Umur panen yang didasarkan dari umur
buah dari mulai bunga mekar akan membutuhkan tenaga ekstra untuk menandai
setiap bunga yang muncul pada tanaman. Penentuan waktu panen berdasarkan
hari setelah tanam memiliki keakuratan yang rendah dalam menjamin
keseragaman kematangan buah saat panen karena perkembangan buah dimulai
setelah terjadi penyerbukan saat bunga muncul (Agusta 2016).
7
Pengolahan Citra
Image processing adalah proses untuk mengamati dan menganalisa suatu

objek tanpa berhubungan langsung dengan objek yang diamati. Proses dan
analisanya melibatkan persepsi visual dengan data masukan maupun data keluaran
yang diperoleh berupa citra dari objek yang diamati. Teknik-teknik image
processing meliputi penajaman citra, penonjolan fitur tertentu dari suatu citra,
kompresi citra dan koreksi citra yang tidak fokus atau kabur (Ahmad 2005).
Suatu citra adalah fungsi intensitas 2 dimensi f(x,y), dimana x dan y adalah
koordinat spasial dan f pada titik (x,y) merupakan tingkat kecerahan (brightness)
suatu citra pada suatu titik. Suatu citra diperoleh dari penangkapan kekuatan sinar
yang dipantulkan oleh objek (Suhendra 2011). Citra sebagai output alat
perekaman dapat berupa citra analog ataupun citra digital. Citra analog adalah
citra yang bersifat kontinu, seperti gambar pada foto sinar X, layar televisi, foto
yang dicetak, lukisan dan lain sebagainya. Sedangkan citra digital adalah citra
yang dapat diolah oleh komputer.
Citra masukan diperoleh melalui suatu kamera yang di dalamnya terdapat
suatu alat digitasi yang mengubah citra masukan yang berbentuk analog menjadi
digital. Alat digitasi ini dapat berupa penjelajahan solid-state yang menggunakan
matrik sel yang sensitif terhadap cahaya yang masuk, dimana citra yang direkam
maupun yang digunakan mempunyai kedudukan atau posisi yang tetap (Rizali
2007).
Perangkat image processing terdiri dari perangkat keras dan perangkat
lunak. Komponen utama dari perangkat keras citra digital adalah berupa sebuah
komputer dan alat peraga komputer baik yang mempunyai fungsi yang multiguna
atau dari jenis khusus yang dirancang untuk image processing digital. Proses
image processing umumnya dilakukan dari piksel yang bersifat pararel (Rizali
2007), sedangkan perangkat lunak yang digunakan dalam pengolahan citra dapat
bermacam-macam tergantung pada jenis penangkap bingkai citra (image frame
grabber) yang digunakan.
Gambar 4 Pencampuran warna untuk model warna RGB dan model warna CMY
Sumber: Suhendra (2011)
Model warna telah banyak dikembangkan oleh para ahli, seperti model
RGB, model CMY, YebCr (luminase serta dua komponen kromasi Cb dan Cr)
dan HSI. Model warna dasar RGB terdiri dari tiga warna dasar yaitu merah, hijau
dan biru, sedangkan model warna CMY terdiri dari warna dasar cyan, magenta,
8
dan yellow. Pencampuran warna untuk model warna RGB dan model warna CMY
dapat dilihat pada Gambar 4.
Model warna RGB dapat juga dinyatakan dalam bentuk indeks warna
RGB dengan rumus sebagai berikut:
r= ............................................................................................................. (1)
g= .............................................................................................................. (2)
b= .............................................................................................................. (3)
dimana : r = nilai indeks warna merah

g = nilai indeks warna hijau
b = nilai indeks warna biru
Pada model warna HSI, nilai hue menunjukan panjang gelombang

terhadap persepsi warna. Saturasi menunjukan kuantitas warna putih yang muncul
pada suatu objek, sedangkan intensitas menunjukan nilai abu-abu dari piksel
dalam citra abu-abu gelap dan terang (Ahmad 2005). Model warna RGB dapat
ditransformasikan ke dalam model HSI dengan persamaan sebagai berikut:
H = acos × [(R − G)2+ (R − G)(G − B)]0.5............................................... (4)
S = 1 –[ × min(R,G,B)]............................................................................... (5)
I= ............................................................................................................... (6)
dimana : H = nilai hue

S = nilai saturasi
I = nilai intensitas
Dalam pengambilan citra, hanya citra yang berbentuk digital yang dapat
diproses oleh komputer digital, data citra yang dimasukkan berupa nilai-nilai
integer yang menunjukkan nilai intensitas cahaya atau tingkat keabuan setiap
piksel. Citra digital dapat diperoleh secara otomatis dari sistem penangkap citra
membentuk suatu matrik dimana elemen-elemennya menyatakan nilai intensitas
cahaya pada suatu himpunan diskrit dari titik (Putra 2012).
Aplikasi Pengolahan Citra untuk Evaluasi Mutu Produk Hortikultura
Ahmad et al. (2004) menggunakan pengolahan citra untuk melakukan

evaluasi dan pemutuan buah mangga Arumanis dan Gedong. Mangga Arumanis
sejumlah 200 buah, masing-masing sebanyak 50 buah mewakili kelompok mutu
A, S, C dan D, sedangkan 150 buah mangga Gedong, masing-masing 50 buah
untuk kelompok mutu A, S dan C digunakan dalam penelitian. Hasil penelitian
9
menunjukkan bahwa parameter mutu yang sesuai untuk melakukan klasifikasi

mangga Arumanis adalah area dan komponen tekstur kontras, sedangkan untuk
mangga Gedong parameter mutu yang sesuai adalah indeks warna merah.
Program komputer pengolahan citra yang dikembangkan berhasil melakukan
pemutuan dengan tingkat kesesuaian 69.4% untuk mangga Arumanis dan 74.3%
untuk mangga Gedong, bila dibandingkan dengan hasil pemutuan manual.
Reinamora (2007) mengembangkan algoritma pengolahan citra untuk
melakukan pemutuan terhadap belimbing manis varietas Malaya. Sampel yang
digunakan sebanyak 150 buah, masing-masing 50 buah untuk kelas A, S dan C.
Buah belimbing direkam satu per satu menggunakan kamera CCD dan disimpan
dalam bentuk citra warna dengan resolusi 400 x 300 piksel. Parameter mutu yang
digunakan dalam pemutuan adalah kekerasan buah yang diwakili oleh nilai warna
dalam pengolahan citra dan ukuran buah yang diwakili oleh area, panjang dan
diameter objek dalam citra. Hasil pemutuan menggunakan pengolahan citra
menghasilkan akurasi pemutuan sebesar 88% untuk mutu A, 70% untuk mutu S
dan 82% untuk mutu C menggunakan gabungan parameter mutu area, panjang
dan diameter buah hasil analisis citra.
Sulistyo (2008) menggunakan pengolahan citra untuk mengevaluasi mutu
jeruk pontianak. Jeruk sebanyak 850 buah yang terdiri dari 125 buah jeruk mutu
A, 125 buah jeruk mutu S dan masing-masing 200 buah jeruk mutu C, D dan E
direkam dan disimpan dalam citra warna dengan resolusi 400x300 piksel
menggunakan kamera CCD untuk digunakan dalam penelitian tersebut. Parameter
mutu yang diamati diacu dari SNI 01-3165-1992 untuk jeruk keprok, yaitu ukuran
(berat dan diameter buah) yang diwakili oleh luas area obyek jeruk dalam citra
dan kekerasan yang diwakili oleh nilai warna kulit buah dalam citra, yang juga
mewakili satu parameter mutu di luar SNI yaitu total padatan terlarut. Hasil
pemutuan oleh pengolahan citra kemudian dibandingkan dengan hasil pemutuan
secara manual oleh pedagang besar jeruk di Pontianak dengan acuan parameter
mutu yang diambil dari SNI 01-3165-1992. Akurasi pemutuan oleh pengolahan
citra mencapai nilai 95.1%, sedangkan pemutuan manual hanya 41.3% bila
dikembalikan kepada standar SNI 01-3165-1992. Pemutuan dengan menggunakan
pengolahan citra yang dikembangkan juga dapat dipakai untuk memisahkan buah
jeruk berdasarkan ukuran dan warna sekaligus. Hal tersebut merupakan satu
kelebihan lain meskipun SNI 01-31651992 tidak mempersyaratkan warna sebagai
parameter mutu, karena akan menghasilkan tampilan setiap kelas mutu tidak
hanya seragam dalam ukuran, tapi juga dari warna kulitnya.
Analisis Diskriminan
Analisis diskriminan merupakan teknik multivariat yang berkaitan dengan

pemisahan objek dalam kelompok yang berbeda dan mengalokasikan objek
tersebut ke dalam suatu kelompok yang telah ditetapkan sebelumnya (Kurniasari
et al. 2014). Pengelompokan dengan analisis diskriminan ini terjadi karena ada
pengaruh satu atau lebih variabel lain yang merupakan variabel independen.
Kombinasi linier dari variabel-variabel ini akan membentuk suatu fungsi
diskriminan (Hair et al. 1998). Analisis diskriminan bertujuan mengklasifikasikan
suatu individu atau observasi ke dalam kelompok yang saling bebas dan
menyeluruh berdasarkan sejumlah variabel penjelas (Mattjik dan Sumertajaya
10
2011). Ada dua asumsi utama yang harus dipenuhi pada analisis diskriminan ini,
yaitu: (1) Sejumlah p variabel penjelas harus terdistribusi normal multivariat, (2)
Matriks varian-kovarian variabel penjelas berukuran p x p pada kedua kelompok
harus sama.
Model dasar analisis diskriminan dilambangkan dengan d. Model analisis
diskriminan merupakan sebuah persamaan yang menunjukkan suatu kombinasi
linier dari berbagai variabel independen yang ditunjukkan pada Persamaan 7.
d = b0 + b1x1 + b2x2 + b3x3 + …… + bnxn. ......................................................................................... (7)
dimana: d = skor diskriminan

b = koefisien diskriminan atau bobot (0, 1, 2, ..., n)
x = prediktor atau variabel independen (1, 2, 3, ..., n)
Distribusi Normal Multivariat

Asumsi normal multivariat diperlukan untuk pengujian signifikansi dari
variabel diskriminan dan fungsi diskriminan. Jika data tidak terdistribusi normal
multivariat, maka hasil klasifikasi juga akan terpengaruh (Sharma 1996). Menurut
Johnson dan Wichern (2007), untuk menguji kenormalan ganda adalah dengan
mencari nilai jarak kuadrat untuk setiap pengamatan yaitu:
d 2j  (X j  X)' S 1 (X j  X) ................................................................................... (8)
di mana Xj adalah pengamatan yang ke-j dan S-1 adalah kebalikan (inverse)
matriks ragam-peragam S. Kemudian diurutkan dari yang paling kecil ke yang
paling besar, selanjutnya dibuat plot dengan nilai khi-kuadrat menggunakan
Persamaan 9 sebagai berikut :
 j 1 2 
 2p   ....................................................................................................... (9)
 n 
dimana: j = urutan = 1, 2, ..., n dan p = banyaknya peubah.
Apabila hasil plot dapat didekati dengan garis lurus, maka dapat
disimpulkan bahwa peubah ganda menyebar normal.
Uji Multikolinieritas
Multikolinearitas merupakan salah satu uji dari uji asumsi klasik yang
merupakan pengujian yang dilakukan untuk mengidentifikasi suatu model regresi
dapat dikatakan baik atau tidak. Secara konsep, multikolinearitas adalah situasi
dimana terdapat dua variabel yang saling berkorelasi. Hubungan diantara variabel
bebas adalah hal yang tak bisa dihindari dan memang diperlukan agar regresi yang
diperoleh bersifat valid. Namun, hubungan yang bersifat linier harus dihindari
karena akan menimbulkan gagal estimasi (multikolinearitas sempurna) atau sulit
dalam inferensi yaitu multikolinearitas tidak sempurna).
Uji multikolinieritas dilakukan untuk melihat apakah ada keterkaitan
antara hubungan yang sempurna antara variabel-variabel independen. Jika di
11
dalam pengujian ternyata didapatkan sebuah kesimpulan bahwa antara variabel

independen tersebut saling terikat, maka pengujian tidak dapat dilakukan kedalam
tahapan selanjutnya yang disebabkan oleh tidak dapat ditentukannya koefisien
regresi variabel tersebut tidak dapat ditentukan dan juga nilai standar errornya
menjadi tak terhingga.
Untuk mengetahui hasil uji dari uji multikolinieritas dapat dilihat dari
beberapa cara, yang pertama adalah dengan melihat nilai toleransi. Apabila nilai
toleransinya sendiri lebih besar dari 0.10 maka dapat disimpulkan tidak terjadi
multikolinieritas, sedangakan bila nilai toleransinya lebih kecil dari 0.10 maka
kesimpulan yang didapat adalah terjadi multikolinieritas. Cara kedua adalah
dengan melihat nilai VIF dengan VIF=1/1-R2. Jika nilai VIF lebih dari 10, maka
kita akan mendapat kesimpulan bahwa data yang kita uji tersebut memiliki
multikolinieritas, sedangkan jika nilai VIF dibawah 10, maka kita akan mendapat
kesimpulan bahwa data yang kita uji tidak terjadi multikolinieritas.
Kesamaan Matriks Varian-kovarian

Asumsi kesamaan matriks varian-kovarian dalam analisis diskriminan
linier harus terpenuhi. Jika asumsi ini tidak terpenuhi, maka akan berpengaruh
terhadap signifikansi dan hasil klasifikasi. Ketika asumsi kesamaan matriks varian
kovarian ditolak, dapat digunakan fungsi diskriminan kuadratik untuk fungsi
klasifikasi (Johnson dan Wichern 2007). Uji yang digunakan untuk mengetahui
kesamaan matriks varian-kovarian adalah uji Box’s M sebagai berikut:
H0 : 0 = 1 = 2 = ....k = .
H1 : Sedikitnya ada dua kelompok yang berbeda.
Statistik uji
 
k
-2ln = n  k  ln W (n  k )   n j  1 ln S j ..................................................(10)
*
j 1
k
( n j 1) / 2
S
j 1
j
* = ( nk ) / 2
.........................................................................................(11)
W /( n  k )
dimana: k = banyaknya kelompok.

W / (n-k) = matrik varian-kovarian dalam kelompok gabungan.
Sj = matrik varian-kovarian kelompok ke-j.
Bila hipotesa nol (H0) benar, maka (-2ln*) / b akan mengikuti sebaran F
dengan derajat bebas v1 dan v2 pada taraf signifikansi , dimana:
v1 = (1/2)(k –1)p(p + 1) .......................................................................................(12)

v2 = (v1+ 2) / (a2 – a12) .........................................................................................(13)
b = v1 / (1 – a1 - v1/ v2) ........................................................................................(14)
12
2 p3  3 p 1  k 1 1 
a1 =    ............................................. (15)
6(k  1)( p  1)  j 1 (n j  1) ( n  k ) 
( p  1)( p  2)  k 1 1 
a2 =    ..................................................... (16)
6(k  1)  j 1 (n j  1)
2
(n  k ) 2 
dimana p = jumlah peubah pembeda dalam fungsi diskriminan.
Sehingga, apabila (-2ln*) / b  Fv1,v2, maka tidak ada alasan untuk

menolak H0 dan dapat disimpulkan bahwa antar kelompok mempunyai matrik
varian-kovarian yang sama dan sebaliknya bila (-2ln*) / b > Fv1,v2, maka H0
ditolak, yang berarti antar kelompok tidak mempunyai matrik varian-kovarian
yang sama.
METODOLOGI
Waktu dan Tempat Penelitian

Kegiatan penelitian dilakukan di Laboratorium Teknik Pengolahan Pangan
dan Hasil Pertanian (TPPHP) Departemen Teknik Mesin dan Biosistem, Institut
Pertanian Bogor. Pengambilan sampel buah pepino ungu dilakukan di Ciwidey,
Jawa Barat. Waktu pelaksanaan penelitian selama tiga bulan dimulai dari bulan
Maret hingga Mei 2017.
Alat dan Bahan

Bahan yang digunakan pada penelitian ini adalah buah pepino yang akan
diambil dari petani di daerah Ciwiedey. Alat-alat yang digunakan dalam
penelitian ini adalah :
1. Kamera CCD (Charge Coupled Device) sebagai alat penangkap citra.
2. Lampu TL dengan daya 7 Watt (120–240 Volt) sebagai alat bantu
pencahayaan.
3. Kain berwarna putih sebagai background dan kotak yang terbuat dari kayu
lapis sebagai penghalang masuknya cahaya dari luar.
4. Seperangkat komputer sebagai alat image processing.
5. Jangka sorong yang digunakan untuk mengukur dimensi buah pepino.
6. Timbangan digital yang digunakan untuk mengukur berat buah pepino.
7. Pisau yang digunakan untuk membelah buah pepino.
8. Rheometer merk CR500DX yang digunakan untuk mengukur kekerasan buah
pepino.
9. Refraktometer merk Atago yang digunakan untuk mengukur total padatan
terlarut (TPT) buah pepino.
13
Prosedur Penelitian
Penelitian dilakukan dalam beberapa tahapan yaitu persiapan bahan,
pengukuran secara langsung, pengambilan citra dan tahap pengolahan data hasil
pengambilan citra. Data pengolahan citra akan dibandingkan dengan data
pengukuran langsung untuk mengetahui hubungan parameter-parameter visual
mutu buah berupa nilai RGB dan HSI. Diagram prosedur penelitian dapat dilihat
pada Gambar 5 dan foto proses penelitian dapat dilihat pada Lampiran 1.
Mulai
Buah pepino umur

panen 90 HST, 105
HST dan 120 HST
Pengukuran bobot buah pepino
Perekaman citra kulit buah pepino
Analisis data citra kulit buah pepino
Pengujian kekerasan buah
Pengujian TPT buah
Pengembangan model tingkat kematangan
Selesai
Gambar 5 Diagram alir penelitian
Persiapan Sampel Penelitian

Bahan yang dipersiapkan adalah buah pepino sebanyak 120 buah yang
diperoleh dari kebun di daerah Ciwiedey. Sampel diambil dengan tiga tingkat
kematangan yang berbeda, yaitu sampel masing-masing 40 buah, dengan umur
panen masing-masing 90 HST (Hari Setelah Tanam), 105 HST (Hari Setelah
Tanam) dan 120 HST (Hari Setelah Tanam).
Lahan tersebut merupakan lahan yang telah mengalami proses penanaman
kembali atau penggantian tanaman dengan yang baru. Sampel didapatkan dari
panen pertama dari lahan dengan menandai petak-petak yang akan diambil tiga
14
umur panen untuk sampel. Setiap umur panen akan diambil dalam satu petak yang
berbeda dengan umur panen yang lain.
Sebelum dilakukan pengukuran, pepino terlebih dahulu dibersihkan dari
kotoran yang menempel pada bahan kemudian dilakukan pelabelan pada masing-
masing buah, setelah itu buah diukur dimensinya menggunakan jangka sorong.
Pada pengukuran berat, pepino ditimbang dengan menggunakan timbangan
digital.
Pengukuran Kekerasan Daging

Pengukuran kekerasan daging dilakukan menggunakan rheometer merk Sun
Rheometer tipe CR 500-DX. Alat ini diset dengan mode 20, beban maksimal 10
kg, kedalaman penekanan maksimal 10 mm, kecepatan penurunan beban 10
mm/menit dan diameter probe (jarum) 5 mm. Bahan ditusuk pada bagian daging
buah yaitu pada bagian pangkal, tengah dan ujung. Hasil dari kekerasan daging
buah terbaca secara otomatis pada skala penunjuk yang ada pada rheometer dalam
satuan kgf.
Pengukuran TPT
Pengukuran TPT (Total Padatan Terlarut) diukur dengan menggunakan
refraktometer merk Atago. Buah pepino dipotong pada bagian ujung, tengah dan
pangkal. Buah pepino dimasukkan plastik dihancurkan kemudian diuji kadar total
padatan terlarutnya dengan cara meletakkan cairan dari daging buah yang telah
dihancurkan pada prisma refraktometer sebelum dan sesudah pembacaan prisma
refraktometer dibersihkan dengan aquades. Angka yang tertera pada refraktometer
menunjukkan kadar total padatan terlarut dalam brix yang mewakili rasa manis
pada buah.
Pengambilan Citra
Pengambilan citra pada buah pepino ungu dilakukan pada satu sisi buah.
Buah pepino diambil citranya dengan kamera CCD dan sistem pengolahan citra
digital.
Pengolahan Citra
Pengolahan citra buah pepino dilakukan dengan program komputer yang
telah dibuat terlebih dahulu dengan Sharp Develope 5.1 RC. Kode program dapat
dilihat pada Lampiran 2. Program digunakan untuk mengukur indeks warna RGB
(red, green, blue) dan nilai HSI (hue, saturasi, intensitas) pada warna kulit. Citra
yang telah diambil oleh kamera akan dimasukkan kedalam program. Program
akan melakukan operasi binerasi pada objek yaitu proses dimana citra dari buah
akan dibuat menjadi citra biner dan terpisahkan antara objek dengan gambar.
kemudian dilakukan operasi analisa citra untuk mendapat data yang diinginkan.
Data yang akan didapatkan yaitu indeks warna RGB (red, green, blue),
nilai HSI (hue, saturasi, intensitas), luas area proyeksi buah (dalam piksel) dan
ukuran buah (tinggi dan lebar dalam piksel). Tampilan program dapat dilihat pada
Lampiran 3. Adapun prosedur pengolahan citra adalah sebagai berikut:
15
Mulai
Load image
buah pepino
Operasi binerisasi
Citra biner buah

pepino
Analisa warna Analisa warna Analisa ukuran

RGB HSI objek
Indeks warna r, g, Nilai hue, saturasi, Area, tinggi dan

dan b Intensitas lebar (piksel)
Selesai
Gambar 6 Diagram alir prosedur pengolahan citra
Pengolahan Data
Data yang diperoleh dari hasil pengujian aktual adalah bobot, kekerasan
dan TPT. Sedangkan data yang didapat dari pengolahan citra adalah indeks warna
RGB dan nilai HSI buah pepino. Untuk mengetahui hubungan antara hasil
pengukuran aktual dan pengolahan citra digunakan analisa korelasi regresi linier
yang dinyatakan dengan persamaan regresi. Dari analisa korelasi regresi ini dicari
koefisien korelasi untuk masing-masing parameter. Indeks warna RGB dan nilai
HSI kulit buah yang diperoleh dari proses pengolahan citra akan dicari korelasi
dengan kekerasan dan TPT dari pengukuran langsung untuk masing-masing
parameter.
Pembentukan fungsi klasifikasi dilakukan dengan metode analisis
diskriminan. Analisis diskriminan dilakukan untuk mengelompokkan data hasil
pengukuran pada masing-masing kelompok umur panen. Dalam analisis
diskriminan, variabel penduga yang digunakan adalah hasil pengukuran parameter
pengolahan citra. Tidak semua variabel penduga dapat digunakan, variabel
penduga yang dapat digunakan untuk membangun fungsi diskriminan adalah
variabel-variabel dengan kelompok data yang memenuhi asumsi untuk
pembentukan fungsi diskriminan.
16
HASIL DAN PEMBAHASAN
Pengukuran Kualitas Buah Pepino Secara Aktual
Bobot
Bobot merupakan salah satu parameter dalam menentukan mutu buah.
Data pengukuran aktual dapat dilihat pada Lampiran 6. Bobot pepino ungu
dengan umur panen 90 HST memiliki rataan sebesar 327.77 g dengan standar
deviasi 86.04. Bobot pepino ungu dengan umur panen 105 HST memiliki rataan
sebesar 205.22 g dengan standar deviasi 47.69. Bobot pepino ungu dengan umur
panen 120 HST memiliki rataan sebesar 204.81 g dengan standar deviasi 49.13.
Berdasarkan grafik pada Gambar 7, nilai rataan bobot pepino ungu semakin turun
dari yang tertinggi umur panen 90 HST dan yang terendah umur panen 120 HST.
Bobot yang menurun disebabkan karena perbedaan dari waktu berbunga yang
berbeda. Menurut Sarno dan Purnama (2005), buah pepino yang dipanen pertama
kali akan memiliki ukuran dan bobot yang lebih besar daripada buah yang dipanen
selanjutnya.
600.00
500.00
Bobot (gram)
400.00
300.00
200.00
100.00
0.00
75 90 105 120 135
Umur Panen (HST)
Gambar 7 Pemetaan bobot buah berdasarkan beberapa tingkat umur panen
Hasil analisis sidik ragam pada Lampiran 11 dengan taraf kepercayaan 95%
menunjukkan p-value (0.000) α < (0.05). Hal ini menunjukkan perbedaan umur
panen buah berpengaruh nyata terhadap bobot buah pepino ungu. Hasil uji lanjut
DMRT yang disajikan pada Lampiran 12 menunjukkan tidak terdapat perbedaan
yang signifikan antara rata-rata nilai bobot buah pada umur panen 90 HST dan
105 HST, namun kedua nilai tersebut berbeda nyata terhadap bobot buah pada
umur 120 HST.
Nilai Kekerasan Buah Pepino

Kekerasan sering dijadikan indikator dalam menentukan kematangan
buah. Pengukuran kekerasan buah merupakan salah satu cara untuk menentukan
waktu panen dan untuk menentukan kapan pemasaran produk harus dilakukan
17
(Duprat et al. 1997). Kekerasan daging buah akan cenderung mengalami

penurunan seiring dengan perubahan fase dari muda hingga fase pembusukan.
Pengukuran kekerasan dilakukan dengan menggunakan rheometer. Alat ini
diset dengan mode 20, beban maksimal 10 kg, kedalaman penekanan 10 mm,
kecepatan penurunan beban 10 mm/menit dan diameter probe (jarum) yang
digunakan adalah 5 mm. Bahan ditusuk pada bagian kulit buah pepino dan
diulang pada bagian kulit yang lain sebanyak tiga kali, yaitu pada bagian ujung,
tengah dan pangkal (Hubies 1985). Pemetaan nilai kekerasan buah berdasarkan
beberapa tingkat kematangan dapat dilihat pada Gambar 8.
5.00
4.50
Kekerasan (kgf)
4.00
3.50
3.00
2.50
2.00
75 90 105 120 135
Umur Panen (HST)
Gambar 8 Pemetaan nilai kekerasan buah berdasarkan beberapa tingkat umur
panen
Nilai kekerasan buah pepino dengan umur panen 90 HST (Lampiran 4)

pada kekerasan kulit bagian pangkal memiliki nilai rata-rata sebesar 3.28 kgf,
bagian tengah sebesar 3.92 kgf, bagian ujung sebesar 3.30 kgf dan rata-rata nilai
kekerasan kulit pada buah pepino sebesar 3.50 kgf. Nilai kekerasan kulit buah
pepino dengan umur panen 105 HST (Lampiran 4) pada bagian pangkal rata-rata
sebesar 3.37 kgf, bagian tengah sebesar 3.53 kgf, bagian ujung sebesar 3.29 kgf
dan rata-rata nilai kekerasan kulit pada buah pepino sebesar 3.40 kgf. Nilai
kekerasan buah pepino dengan umur panen 120 HST (Lampiran 4) pada bagian
pangkal sebesar 2.70 kgf, bagian tengah sebesar 3.53 kgf, bagian ujung memiliki
nilai rata-rata sebesar 2.66 kgf dan rata-rata nilai kekerasan kulit pada buah pepino
sebesar 2.96 kgf.
Menurut Billy et al. (2008) dalam Sutan (2015), proses pematangan buah
apel akibat adanya proses degradasi pektin menjadi protopektin yang
menyebabkan tekanan turgor dinding sel menurun dan menyebabkan buah
menjadi lunak saat proses pematangan. Menurut Sutan (2015), selama
pematangan buah mengalami beberapa perubahan nyata dalam warna, tekstur dan
bau. Buah menjadi lunak disebabkan oleh perombakan protopektin yang tak larut
menjadi pektin yang larut.
panen buah berpengaruh nyata terhadap kekerasan terhadap buah pepino ungu.
18
Hasil uji lanjut DMRT yang disajikan pada Lampiran 12 menunjukkan tidak
terdapat perbedaan yang signifikan antara rata-rata nilai kekerasan pada umur
panen 90 HST dan 105 HST, namun kedua nilai tersebut berbeda nyata terhadap
kekerasan buah pada umur 120 HST.
Nilai TPT
Kandungan TPT merupakan komponen utama dalam menentukan
kematangan buah pepino ungu. TPT menunjukkan komponen padat terlarut dalam
air yang terkandung dalam daging buah secara tidak langsung mampu
merepresentasikan tingkat kemanisan daging buah. Semakin tua umur buah maka
nilai TPT nya akan semakin meningkat (Agusta 2016).
Nilai TPT buah pepino dengan umur panen 90 HST (Lampiran 5) pada
bagian pangkal memiliki nilai rata-rata sebesar 4.4 brix, bagian tengah memiliki
nilai rata-rata sebesar 4.3 brix, bagian ujung memiliki nilai rata-rata sebesar 4.4
brix dan rata-rata nilai TPT pada buah pepino dengan umur panen 90 HST sebesar
4.4 brix. Nilai TPT buah pepino dengan umur panen 105 HST (Lampiran 5) pada
bagian pangkal memiliki nilai rata-rata sebesar 4.5 brix, bagian tengah memiliki
nilai rata-rata sebesar 4.5 brix, bagian ujung memiliki nilai rata-rata sebesar 4.5
brix dan rata-rata nilai TPT pada buah pepino dengan umur panen 105 HST
sebesar 4.5 brix. Kemudian nilai TPT buah pepino dengan umur panen 120 HST
(Lampiran 5) pada bagian pangkal memiliki nilai rata-rata sebesar 4.7 brix, bagian
tengah memiliki nilai rata-rata sebesar 4.6 brix, bagian ujung memiliki nilai rata-
rata sebesar 4.6 brix dan rata-rata nilai TPT pada buah pepino dengan umur panen
120 HST sebesar 4.7 brix. Pemetaan nilai TPT buah berdasarkan beberapa tingkat
kematangan dapat dilihat pada Gambar 9.
6.00
5.50
5.00
TPT (brix)
4.50
4.00
3.50
3.00
75 90 105 120 135
v
Umur Panen (HST)
Gambar 9 Pemetaan nilai total padatan terlarut buah berdasarkan beberapa tingkat
umur panen
Tingkat kemanisan buah pepino bervariasi mulai dari 6-12 brix (Kader
2000), sehingga pepino ungu yang diukur masih belum matang, hal ini
dapatdisebabkan karena umur panen yang masih belum optimal. Tingkat rasa
manis buah pepino ungu dipengaruhi berbagai hal, diantaranya pemupukan, iklim
dan topografi. Menurut Sarno dan Purnama (2005), buah pepino yang dipanen
19
pada musim kemarau akan lebih manis. Hal tersebut disebabkan karena ketika
curah hujan tinggi menyebabkan intensitas sinar matahari yang rendah
mengakibatkan proses perubahan karbohidrat menjadi gula dalam buah tidak
optimal (Nugroho 2016). Kualitas buah terutama kandungan gula sangat
dipengaruhi oleh suhu selama pematangan. Jika suhu maksimal selama
pematangan melebihi 300C, pengurangan gula dalam jumlah besar akan terjadi
(Sarno dan Purnama 2005).
panen buah berpengaruh nyata terhadap TPT buah pepino ungu. Hasil uji lanjut
DMRT yang disajikan pada Lampiran 12 menunjukkan tidak terdapat perbedaan
yang signifikan antara rata-rata nilai TPT buah pada umur panen 120 HST dan
105 HST, namun kedua nilai tersebut berbeda nyata terhadap nilai TPT buah pada
umur 90 HST.
Analisis Data Pengolahan Citra
Analisis warna pepino ungu digunakan untuk mengetahui nilai indeks

warna RGB dan HSI antara umur panen 90 HST, 105 HST dan 120 HST.
a. Indeks warna merah kulit pepino

Hasil pengukuran indeks warna merah kulit pepino yang dilakukan dengan
pengolahan citra menunjukkan bahwa pepino ungu dengan umur panen 90 HST
memiliki indeks warna merah yang berkisar antara 0.359 sampai 0.398. Pepino
ungu umur panen 105 HST memiliki indeks warna merah yang berkisar antara
0.363 sampai 0.392. Pepino ungu umur panen 120 HST memiliki indeks warna
merah yang berkisar antara 0.357 sampai 0.388. Indeks warna merah pada pepino
ungu umur panen 90 HST, umur panen 105 HST dan umur panen 120 HST
overlap seperti pada Gambar 10 yang berarti indeks warna merah sukar dijadikan
parameter pembeda antar umur panen buah.
0.40
0.39
0.38
Nilai r
0.37
0.36
0.35
75 90 105 120 135
Umur Panen (HST)
Gambar 10 Pemetaan indeks warna merah berdasarkan beberapa tingkat umur
panen
20
Hasil analisis sidik ragam pada Lampiran 11 dengan taraf kepercayaan

95% menunjukkan p-value (0.000) α < (0.05). Hal ini menunjukkan perbedaan
umur panen buah berpengaruh nyata terhadap indeks warna merah buah pepino
ungu. Hasil uji lanjut DMRT yang disajikan pada Lampiran 12 menunjukkan
tidak terdapat perbedaan yang signifikan antara rata-rata nilai indeks warna merah
buah pada umur panen 90 HST dan 105 HST, namun kedua nilai tersebut berbeda
nyata terhadap indeks warna merah buah pada umur 120 HST.
b. Indeks warna hijau kulit pepino

Hasil pengukuran indeks warna hijau kulit pepino yang dilakukan dengan
memiliki indeks warna hijau yang berkisar antara 0.294 sampai 0.351. Pepino
ungu umur panen 105 HST memiliki indeks warna hijau yang berkisar antara
0.292 sampai 0.330. Pepino ungu umur panen 120 HST memiliki indeks warna
hijau yang berkisar antara 0.304 sampai 0.345. Indeks warna hijau pada pepino
ungu umur panen 90 HST, umur panen 105 HST dan umur panen 120 HST
overlap seperti pada Gambar 11 yang berarti indeks warna hijau sukar dijadikan
parameter pembeda antar umur panen buah.
0.36
0.35
0.34
0.33
Nilai g
0.32
0.31
0.30
0.29
0.28
75 90 105 120 135
Umur Panen (HST)
Gambar 11 Pemetaan indeks warna hijau berdasarkan beberapa tingkat umur

panen
panen buah berpengaruh nyata terhadap indeks warna hijau buah pepino ungu.
terdapat perbedaan yang signifikan antara rata-rata nilai indeks warna hijau buah
pada umur panen 90 HST dan 105 HST, namun kedua nilai tersebut berbeda nyata
terhadap indeks warna hijau buah pada umur 120 HST.
c. Indeks warna biru kulit pepino

Hasil pengukuran indeks warna biru kulit pepino yang dilakukan dengan
memiliki indeks warna biru yang berkisar antara 0.282 sampai 0.321. Pepino ungu
21
umur panen 105 HST memiliki indeks warna biru yang berkisar antara 0.291
sampai 0.331. Pepino ungu umur panen 120 HST memiliki indeks warna biru
yang berkisar antara 0.283 sampai 0.327. Indeks warna biru pada pepino ungu
umur panen 90 HST, umur panen 105 HST dan umur panen 120 HST overlap
seperti pada Gambar 12 yang berarti indeks warna biru sukar dijadikan parameter
pembeda antar umur panen buah
0.34
0.33
0.32
Nilai b
0.31
0.30
0.29
0.28
0.27
75 90 105 120 135
Umur Panen (HST)
Gambar 12 Pemetaan indeks warna hijau berdasarkan beberapa tingkat umur

panen
panen buah berpengaruh nyata terhadap indeks warna biru buah pepino ungu.
terdapat perbedaan yang signifikan antara rata-rata nilai indeks warna biru buah
pada umur panen 90 HST, 105 HST dan 120 HST.
d. Nilai hue kulit pepino

Hasil pengukuran nilai hue kulit pepino yang dilakukan dengan
memiliki nilai hue yang berkisar antara 108.372 sampai 230.730. Pepino ungu
umur panen 105 HST memiliki nilai hue yang berkisar antara 129.367 sampai
239.948. Pepino ungu umur panen 120 HST memiliki nilai hue yang berkisar
antara 80.138 sampai 240.578. Nilai hue kulit pada pepino ungu umur panen 90
HST, umur panen 105 HST dan umur panen 120 HST overlap seperti pada
Gambar 13 yang berarti nilai hue sukar dijadikan parameter pembeda antar umur
panen buah.
22
300.00
Nilai Hue 250.00
200.00
150.00
100.00
50.00
75 90 105 120 135
Umur Panen (HST)
Gambar 13 Pemetaan nilai hue kulit buah berdasarkan beberapa tingkat umur
panen
panen buah berpengaruh nyata terhadap nilai hue buah pepino ungu. Hasil uji
lanjut DMRT yang disajikan pada Lampiran 12 menunjukkan tidak ada perbedaan
menunjukkan tidak terdapat perbedaan yang signifikan antara rata-rata nilai hue
buah pada umur panen 90 HST dan 105 HST, namun kedua nilai tersebut berbeda
nyata terhadap nilai hue buah pada umur 120 HST.
e. Nilai saturasi kulit pepino

Hasil pengukuran nilai saturasi kulit pepino yang dilakukan dengan
memiliki nilai saturasi yang berkisar antara 0.124 sampai 0.187. Pepino ungu
umur panen 105 HST memiliki nilai saturasi yang berkisar antara 0.126 sampai
0.176. Pepino ungu umur panen 120 HST memiliki nilai saturasi yang berkisar
antara 0.100 sampai 0.179. Nilai saturasi pada umur panen 90 HST, umur panen
105 HST dan umur panen 120 HST overlap seperti pada Gambar 14 yang berarti
nilai saturasi sukar dijadikan parameter pembeda antar umur panen buah.
panen buah berpengaruh nyata terhadap nilai saturasi buah pepino ungu. Hasil uji
lanjut DMRT yang disajikan pada Lampiran 12 menunjukkan tidak terdapat
perbedaan yang signifikan antara rata-rata nilai nilai saturasi buah pada umur
panen 90 HST dan 105 HST, namun kedua nilai tersebut berbeda nyata terhadap
nilai saturasi pada umur 120 HST.
23
0.20
0.18
Nilai Saturasi
0.16
0.14
0.12
0.10
0.08
75 90 105 120 135
Umur Panen (HST)
Gambar 14 Pemetaan nilai saturasi kulit buah berdasarkan beberapa tingkat umur
panen
f. Nilai intensitas kulit pepino

Hasil pengukuran nilai intensitas kulit pepino yang dilakukan dengan
memiliki indeks warna merah yang berkisar antara 63 sampai 114 Pepino ungu
umur panen 105 HST memiliki nilai intensitas yang berkisar antara 63 sampai
110. Pepino ungu umur panen 120 HST memiliki nilai intensitas yang berkisar
antara 61 sampai 124. Nilai intensitas kulit pada pepino ungu umur panen 90
HST, umur panen 105 HST dan umur panen 120 HST overlap seperti pada
Gambar 15 yang berarti nilai intensitas sukar dijadikan parameter pembeda antar
umur panen.
130.00
120.00
110.00
Nilai Intensitas
100.00
90.00
80.00
70.00
60.00
50.00
75 90 105 120 135
Umur Panen (HST)
Gambar 15 Pemetaan nilai intensitas kulit buah berdasarkan beberapa tingkat

umur panen
Hasil analisis sidik ragam pada Lampiran 11 menunjukkan p-value (0.000)

α < (0.05). Hal ini menunjukkan perbedaan umur panen buah berpengaruh nyata
24
terhadap nilai intensitas buah pepino ungu. Hasil uji lanjut DMRT yang disajikan
pada Lampiran 12 menunjukkan tidak terdapat perbedaan yang signifikan antara
rata-rata nilai nilai intensitas buah pada umur panen 90 HST dan 120 HST, namun
kedua nilai tersebut berbeda nyata terhadap nilai intensitas buah pada umur 120
HST.
Analisis Luas Area Proyeksi Buah

Analisis luas area proyeksi buah digunakan untuk mencari korelasi antara
luas area proyeksi buah terhadap bobot buah dan mengetahui perbedaan luas area
proyeksi buah antara umur panen. Berdasarkan uji hubungan luas area proyeksi
buah pepino ungu dengan bobot buah pepino ungu didapatkan nilai koefisien
determinasi sebesar 0.917 yang berarti hubungan luas area proyeksi buah dengan
bobot buah memiliki korelasi yang tinggi. Sehingga luas area proyeksi buah dapat
digunakan untuk menduga bobot buah pepino ungu. Hasil uji hubungan luas area
proyeksi buah dengan bobot buah dapat dilihat pada Gambar 16.
600.00
500.00 y = 0.0051x - 45.554

R² = 0.9172
Bobot (gram)
400.00
300.00
200.00
100.00
0.00
0 50000 100000 150000
Luas Area Proyeksi Buah (piksel)
Gambar 16 Hubungan bobot buah terhadap luas area proyeksi buah
Hubungan Nilai RGB dan HSI dengan Kekerasan Daging Buah

Hubungan atau korelasi nilai sinyal warna RGB dan HSI dianalisis untuk
melihat seberapa besar korelasi nilai sinyal warna RGB dan HSI dianalisis dengan
kekerasan daging buah. Menurut Harinaldi (2005), koefisien determinasi hanya
menunjukkan eksistensi dan kekuatan hubungan antara variabel bebas dan terikat
tanpa menilai sifat relasi tersebut. Kazmier (2005) menyatakan bahwa koefisien
determinasi (R2) tidak dapat diuji secara statistik. Namun, akar kuadrat koefisien
determinasi, yang disebut koefisien relasi (r), dapat diuji secara statistik
pengujian.
Berdasarkan grafik-grafik pada Gambar 17 terlihat bahwa rata-rata
koefisien relasinya (r) atau akar kuadrat R2 kurang dari 0.5 (r< 0.5). Menurut
Siagian dan Sugiarto (2000), nilai r atau nilai koefisien relasi 0-0.5 kriteria
hubungannya adalah korelasi lemah. Sehingga, dapat disimpulkan bahwasanya
korelasi nilai sinyal warna RGB dan HSI dianalisis dengan kekerasan daging buah
lemah.
25
5.00 5.00
4.00 4.00
Kekerasan (kgf)
Kekerasan (kgf)
3.00 3.00
2.00 2.00
y = 5.8428x + 1.0887 y = -6.6565x + 5.4091
R² = 0.0092 R² = 0.0199
1.00 1.00
0.34 0.36 0.38 0.4 0.42 0.28 0.3 0.32 0.34 0.36
Nilai r Nilai g
5.00 5.00
4.00 4.00
Kekerasan (kgf)
Kekerasan (kgf)
3.00 3.00
2.00 2.00
y = 3.1333x + 2.3338 y = 0.0029x + 2.8132
R² = 0.003 R² = 0.0367
1.00 1.00
0.26 0.28 0.3 0.32 0.34 0 100 200 300
Nilai b Nilai hue
5.00 5.00
4.00 4.00
Kekerasan (kgf)
Kekerasan (kgf)
3.00 3.00
2.00 2.00
y = 6.2101x + 2.3562 y = -0.0033x + 3.5742
R² = 0.0479 R² = 0.0057
1.00 1.00
0.05 0.1 0.15 0.2 50 70 90 110 130
Nilai saturasi Nilai intensitas
Gambar 17 Grafik hubungan nilai RGB dan HSI dengan kekerasan kulit
Hubungan Nilai RGB dan HSI dengan TPT

Hubungan atau korelasi nilai sinyal warna RGB dan HSI dianalisis untuk
melihat seberapa besar korelasi nilai sinyal warna RGB dan HSI dianalisis
26
dengan TPT atau kemanisan pada daging buah. Gambar 18 adalah grafik korelasi
dari nilai sinyal warna RGB dan HSI dengan kemanisan atau TPT daging buah.
6.00 6.00
5.50 5.50
5.00 5.00
TPT (brix)
TPT (brix)
4.50 4.50
4.00 4.00
y = 11.625x + 0.8135
3.50 3.50 R² = 0.1209
y = -11.152x + 8.7158
R² = 0.0664
3.00 3.00
0.34 0.36 0.38 0.4 0.42 0.27 0.32 0.37
Nilai r Nilai g
6.00 6.00
5.50 5.50
5.00 5.00
TPT (brix)
TPT (brix)
4.50 4.50
4.00 4.00
3.50 3.50
y = -5.2826x + 6.1265 y = -0.0032x + 5.0304
R² = 0.0167 R² = 0.0851
3.00 3.00
0.26 0.28 0.3 0.32 0.34 0 100 200 300
Nilai b Nilai hue
6.00 6.00
5.50 5.50
5.00 5.00
TPT (brix)
TPT (brix)
4.50 4.50
4.00 4.00
3.50 3.50 y = 0.004x + 4.1754

y = -4.2896x + 5.161
R² = 0.0454 R² = 0.0161
3.00 3.00
0.08 0.13 0.18 0.23 50 70 90 110 130
Nilai saturasi Nilai intensitas
Gambar 18 Grafik hubungan nilai RGB dan HSI dengan TPT daging buah
27
Berdasarkan grafik-grafik pada Gambar 18, terlihat bahwa rata-rata

koefisien relasinya (r) atau akar kuadrat R2 kurang dari 0.5 (r<0.5). Menurut
Siagian dan Sugiarto (2000), nilai r atau nilai koefisien relasi 0-0.5 kriteria
hubungannya adalah korelasi lemah. Sehingga, dapat disimpulkan bahwasanya
korelasi nilai sinyal warna RGB dan HSI dianalisis dengan kemanisan atau TPT
daging buah pepino ungu adalah lemah.
Analisis Diskriminan
Analisis diskriminan adalah teknik multivariat yang termasuk pada

Depedence Method dengan ciri adanya variabel dependen dan independen.
Dengan demikian, terdapat variabel yang hasilnya tergantung pada data variabel
independen. Ciri khusus analisis diskriminan adalah variabel dependen harus
berupa data kategori, sedangkan data untuk variabel independen justru berupa data
rasio. Dengan demikian kegunaan utama dari analisis diskriminan ada dua.
Pertama adalah kemampuan memprediksi terjadinya variabel dependen dengan
masukan data variabel independen, kedua adalah kemampuan memilih mana
variabel independen secara nyata mempengaruhi variabel dependen dan mana
yang tidak (Santoso 2002). Analisis diskriminan ini menggunakan fitur xlstat pada
aplikasi Microsoft Office Excel 2007.
Gambar 19 Plot kuantil khi-kuadrat
Hasil uji kenormalan multivariat menggunakan plot kuantil khi-kuadrat

menunjukkan bahwa data menyebar normal multivariat. Gambar 19 menunjukkan
plot kuantil khi-kuadrat cenderung membentuk garis lurus dimana terdapat lebih
dari 50% (70%) nilai sehingga data cenderung menyebar normal multivariat atau
menyebar normal ganda (Johnson dan Wichern 2007).
28
. Parameter yang digunakan adalah parameter citra antara lain: luas area
proyeksi buah, nilai r, nilai g, nilai b, nilai hue, nilai saturasi dan nilai intensitas.
Model statistika yang baik seharusnya tidak disusun dari variabel-variabel yang
multikolinier. Tabel 3 menunjukkan hasil uji statistik multikolinieritas antar
variabel. Nilai r, nilai g, nilai b dan nilai H multikolinier terhadap variabel yang
lain dilihat dari nilai toleransi < 0.10 dan Variance Inflation Factor (VIF) > 10.
Variabel selain nilai area, nilai S dan nilai I dieliminasi dan tidak digunakan
dalam pembentukan fungsi skor diskriminan untuk pengelompokan buah pepino
ungu.
Tabel 3 Statistik uji multikolinieritas antar variabel penduga

Statistik Uji Area r g b H S I
Toleransi 0.836 0.041 0.022 0.071 0.034 0.112 0.339
VIF 1.197 24.464 46.440 14.142 29.115 8.925 2.953
Hasil uji Box’s pada Tabel 4 menunjukkan matriks kovarian untuk

keempat kelompok umur panen berbeda nyata dengan harga Box’s M sebesar
37.442 dengan signifikansi 0.0003. Nilai F hitung > F kritis atau tolak H0. Matriks
kovarian antara kelompok tidak homogen apabila ditetapkan taraf signifikansi
penelitian 0.05. Data pada ketiga variabel tidak homogen, sehingga didapatkan
kondisi dimana populasi data terdistribusi normal, namun matriks kovarian tidak
homogen.
Tabel 4 Hasil uji kesamaan matriks kovarian

Hasil Uji
-2Log(M) 37.442
F Hitung 3.004
F Kritis 1.752
DF1 12
DF2 66339
p-value 0.0003
α 0.05
Setelah dilakukan analisis diskriminan, diperoleh fungsi skor diskriminan.

Fungsi tersebut kemudian digunakan sebagai acuan dalam pengklasifikasian buah
pepino ungu yang belum diketahui umur panennya. Data dengan matriks
kovarian tidak homogen tidak dapat diselesaikan menggunakan analisis
diskriminan linier, sehingga diperlukan analisis diskriminan kuadratik. Fungsi
skor diskriminan, pengelompokan berdasarkan umur panen buah pepino ungu,
ditunjukkan oleh Persamaan 17 – 19.
29
D1 = -60.19418 + 0.00041x1 + 484.51557x2 + 0.12210x3 ................................. (17)

D2 = -49.57072 + 0.00023x1 + 527.45506x2 + 0.04991x3 ................................. (18)
D3 = -42.75481 + 0.00026x1 + 316.13325x2 + 0.31057x3 ................................. (19)
dimana : D1 = Skor diskriminan pepino ungu umur panen 90 HST
D2 = Skor diskriminan pepino ungu umur panen 105 HST
D3 = Skor diskriminan pepino ungu umur panen 120 HST
x1 = Nilai luas area proyeksi buah
x2 = Nilai saturasi
x3 = Nilai intensitas
Hasil analisis terhadap observasi ke-x pada setiap variabel diplotkan pada
Gambar 20. Pengelompokan didasarkan pada kedekatan hasil observasi terhadap
titik tengah masing-masing kelompok. Hasil plot menunjukkan kelompok umur
panen 120 HST memiliki posisi titik tengah terjauh dibandingkan kedua
kelompok umur panen yang lain, sehingga pengelompokan dapat dilakukan
dengan lebih baik. Adapun hasil pengklasifikasiannya dapat dilihat pada tabel 5.
6
90 HST
Canonical Discriminant Function 2 (33,10 %)
5
105 HST
4
120 HST
3 Centroids
2
1
1 3
0
2
-1
-2
-3
-4
-5
-5 -4 -3 -2 -1 0 1 2 3 4 5 6
Gambar 20 Plot pengelompokan buah pepino ungu berdasarkan tiga umur panen
berbeda
Berdasarkan hasil penelitian ini, hasil klasifikasi umur panen pada Tabel 5
menunjukkan bahwa buah pepino ungu yang tergolong dalam kelompok umur 90
HST sebanyak 28 buah sedangkan buah pepino ungu ternyata menjadi kelompok
umur 105 HST dan 120 HST sebanyak 10 dan 2 buah. Pada kelompok umur 105
HST, sebanyak 34 buah merupakan pepino ungu yang tetap masuk kedalam
kelompok umur 105 HST dan sisanya sebanyak 2 buah menjadi kelompok umur
90 HST dan 4 buah menjadi kelompok umur 120 HST. Pada kelompok umur 120
HST, sebanyak 37 buah merupakan pepino ungu yang tetap masuk kedalam
kelompok umur 120 HST dan sisanya sebanyak masing-masing 1 buah dan 2 buah
menjadi kelompok umur 90 HST dan 105 HST.
30
Tabel 5 Hasil pengklasifikasian umur panen pepino ungu

Hasil Klasifikasi
Umur Panen Total %
90 HST 105 HST 120 HST
90 HST 28 10 2 40 70.00%
105 HST 2 34 4 40 85.00%
120 HST 1 2 37 40 92.50%
Total/Rata-rata 31 46 43 120 82.50%
Tabel 5 menunjukkan keberagaman kondisi buah saat dipanen pada 90

HST dan 105 HST, terbukti dengan tingginya kesalahan pengelompokan. Hal ini
dapat menjadi acuan untuk evaluasi metode penentuan waktu panen buah pepino
ungu. Penentuan waktu panen berdasarkan hari setelah tanam memiliki
keakuratan yang rendah dalam menjamin keseragaman kematangan buah saat
panen karena perkembangan buah dimulai setelah terjadi penyerbukan saat bunga
muncul.
a b
c
Gambar 21 (a) buah umur panen 90 HST, (b) buah umur panen 105 HST, (c)
buah umur panen 120 HST
Berdasarkan klsifikasi pada Tabel 5 didapatkan ketepatan prediksi yang

tinggi yaitu 82.5% (> 50%), namun pada plot pengelompokan umur panen 90
HST dan 105 HST overlap seperti pada Gambar 20. Buah pepino pada umur
panen 90 HST dan 105 HST sulit untuk dibedakan dilihat pada Gambar 20 yang
overlap. Ketepatan model untuk menngelompokan buah pepino umur panen 90
HST dan 105 HST kurang akurat disebabkan karena secara visual belum bisa
dibedakan terutama dalam perubahan warna sepeti pada Gambar 21, tetapi untuk
umur panen 120 HST sudah dapat dibedakan dengan baik diantara populasi buah
umur panen 90 HST dan 105 HST.
Jika nilai ketepatan diatas 50%, ketepatan model dianggap tinggi (Santoso
2002). Berdasarkan klasifikasi kedua tersebut diperoleh ketepatan prediksi sebesar
82.5%. Hal ini menunjukkan bahwa analisis diskriminan memiliki ketepatan
klasifikasi atau pengelompokan yang tinggi (82.5% > 50%), maka model
31
diskriminan dalam penelitian ini dapat digunakan untuk mengklasifikasikan

sebuah kasus pada pengembangan deteksi tingkat kematangan pepino ungu
dengan image processing.
SIMPULAN DAN SARAN
Simpulan
Berdasarkan hasil penelitian yang diperoleh, dapat disimpulkan bahwa:

1. Parameter dalam penentuan klasifikasi buah pepino ungu petani adalah
ukuran, bentuk dan warna kulit buah, namun dalam pelaksanaanya,
pengamatan terhadap parameter-parameter tersebut masih bersifat subjektif.
2. Terdapat perbedaan rataan nilai bobot dan nilai dimensi buah pepino ungu
antar umur panen. Umur panen 90 HST memiliki rataan bobot paling berat
sebesar 327.77 ± 86.05 g. Umur panen 105 HST memiliki rataan bobot terbesar
kedua yaitu sebesar 205.22 ± 14.72 g. Kemudian umur panen 120 HST dengan
rataan bobot sebesar 204.81 ± 9.10 g. Kekerasan pepino ungu semakin
menurun seiring peningkatan tingkat kematangannya dari 3.50 kgf menjadi
2.96 kgf. Sementara total padatan terlarut mengalami peningkatan seiring
dengan tingkat kematangan. Total padatan terlarut meningkat dari 4.4 brix
menjadi 4.7 brix.
3. Luas area proyeksi buah buah pepino ungu memiliki korelasi dengan bobot
buah pepino ungu dengan nilai koefisien determinasi (R2) sebesar 0.917,
namun indeks warna merah, indeks warna hijau, indeks warna biru, nilai hue,
nilai saturasi dan nilai intensitas memiliki nilai yang overlap antar umur panen
buah pepino ungu.
4. Berdasarkan analisis diskriminan, parameter yang dapat digunakan untuk
menentukan kematangan buah pepino ungu adalah luas area proyeksi buah,
nilai saturasi dan nilai intensitas.
5. Pada analisis diskriminan pertama didapatkan ketepatan model sebesar 82.5%.
Pada plot pengelompokan didapatkan nilai yang overlap antara kelompok umur
90 HST dan 105 HST sedangkan kelompok umur panen 120 HST dapat
dibedakan dengan baik dengan ketepatan model sebesar 82.5%.
Saran
Perlu dilakukan penelitian lanjutan tentang motode penentuan waktu

panen pepino ungu dan dengan metode yang berbeda untuk menemukan
parameter pembeda antar umur panen buah pepino ungu dan penentuan algoritma
untuk pemutuan pepino ungu. Sensor yang lebih senfitif dan metode pengolahan
citra yang lebih baik diperlukan untuk membaca perbedaan warna yang terlihat
sama.
32
DAFTAR PUSTAKA
Agusta W. 2016. Deteksi kematangan buah melon golden apollo menggunakan

parameter sinyal suara [tesis]. Bogor (ID): Institut Pertanian Bogor.
Ahmad U. 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya.
Yogyakarta (ID): Graha Ilmu.
Ahmad U. 2013. Teknologi Penanganan Pascapanen Buahan dan Sayuran.
Yogyakarta (ID): Graha Ilmu.
Ahmad U. Subrata IDM, Gunayanti S. 2004. Pemutuan buah mangga berdasarkan
penampakannya menggunakan pengolahan citra. Jurnal Keteknikan
Pertanian. Vol 19(1): 72-73.
Ahumada M, Cantwell M. 1996. Postharvest studies on pepino dulce (Solanum
muricatum Aiton.): maturity at harvest and storage behavior. Postharvest
Biology and Technology.Vol 7:129-136.
Almatsier S. 2010. Prinsip Dasar Ilmu Gizi. Jakarta (ID): Gramedia Pustaka
Utama.
Amriani M, Dachlan A, Rusdayani AA. 2015. Pertumbuhan dan produksi pepino
(Solanum muricatum Aiton.) pada berbagai jenis dan waktu pemberian
bahan organik. Jurnal Agrotan. Vol 1(2) : 33-47.
Astawan M, Andreas LK. 2008. Khasiat Warna-Warni Makanan. Jakarta (ID) :
PT Gramedia Pustaka Utama.
Bermani DP. 2015. Pengembangan metode deteksi kematangan buah melon
varietas cantaloupe menggunakan pengolahan citra [skripsi]. Bogor (ID):
Duprat F, Grotte M, Pietri E, Loonis D. 1997. The acoustic impulse response
method for measuring the overall firmness of fruit. J Agr Eng Res. 66:251–
259.
Fathiyah, Ujang S, Ikeu T. 2005. Analisis pengetahuan gizi dan produk minuman
sari buah kemasan dihubungkan dengan merek yang dikonsumsi pada
mahasiswa IPB. Media Gizi dan Keluarga. Vol 29(2): 75-87.
Galleti L, Lizana LA, Berger H, Tapia M. 2005. Pepino fruits respiration rate.
Acta Hort. (ISHS) 682:205-210.
Hair JF Jr, Anderson RE, Tatham RL. 1998. Multivariate Data Analysis. New
Jersey (US): Prentice-Hall.
Hakimah IA. 2010. 81 Macam Buah Berkhasiat Istimewa. Jakarta (ID): Syura
Media Utama.
Hamdani Y. 1998. Pengembangan algoritma image processing untuk menentukan
ukuran dan warna manggis [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Harinaldi. 2005. Prinsip-Prinsip Statistik Untuk Teknik dan Sains. Jakarta (ID):
Penerbit Erlangga.
Hubies M. 1985. Penuntun Praktikum Pengawasan Mutu Pangan. Bogor (ID):
Johnson RA, Wichern DW. 2007. Applied Multivariate Statistical Analysis 6th
Ed. New Jersey (US): Pearson Education.
33
Kader A. 2000. Pepino : recommendations for maintaining postharvest quality.

[Internet]. [diunduh 2017 Feb 1]. Tersedia pada :
http://postharvest.ucdavis.edu/Commodity_Resources/Fact_Sheets/Datastor
es/Fruit_English/?uid=47&ds=798.
Kazmier, Leonard J. 2004. Schaum’s Easy Outlines: Statistik Untuk Bisnis.
Jakarta (ID): Penerbit Erlangga.
Kurniasari AS, Safitri D, Sudarno. 2014. Pemisahan desa/kelurahan di kabupaten
Semarang menurut status daerah menggunakan analisis diskriminan
kuadratik klasik dan diskriminan kuadratik robust. J Gaussian. 3(1):1-10.
Marza AEP. 2010. Pepino, buah pemberantas penyakit. Medan bisnis membangun
indonesia yang lebih baik. [Internet]. [diunduh 2017 Jan 4]. Tersedia pada :
http://www.medanbisnisdaily.com/news/read/2010/10/17/4244/pepino_buah
_pemberantas_penyakit/#.T5v_vFKkNpk.
Marunting S. 2011. Buah asal pengunungan andes pepino (Solanum muricatum).
[Internet]. [diunduh 2017 Jan 4]. Tersedia pada :
http://blog.umy.ac.id/supriyadi/2011/11/19/buah-asal-pegunungan-andes-
pepinosolanum-muricatum/.
Mattjik AA, Sumertajaya IM. 2011. Sidik Peubah Ganda: dengan Menggunakan
SAS. Bogor(ID): Departemen Statistika FMIPA Institut Pertanian Bogor.
Muchtadi TR, Ayutaningwarno F. 2010. Teknologi Proses Pengolahan Pangan.
Bandung(ID): Alfabeta.
Mutiarawati T. 2016. Penanganan pasca panen hasil pertanian. [Internet].
[diunduh 2017 Jul 24]. Tersedia pada : http://repository.unpad.ac.id/3850/.
Nugroho MH. 2016. Jambu madu deli hijau, tanpa wadah bisa. Trubus. Rubrik
Buah: 62-63.
Putra ANA. 2012. Kajian tingkat kematangan pisang cavendish menggunakan
image processing [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Rahmatina D. 2012. Analisis diskriminan dalam mengklasifikasikan predikat
kesehatan bank (studi kasus pada bank umum syari’ah). JEMI. Vol 3(1): 78-
90.
Reinamora F. 2007. Pengembangan algoritma image processing untuk klasifikasi
mutu belimbing manis [skripsi]. Bogor(ID): Institut Pertanian Bogor.
Rizali Y. 2007. Pengembangan algoritma image processing untuk menentukan
tingkat kematangan buah tomat segar [skripsi]. Bogor(ID): Institut Pertanian
Bogor.
Santoso BB. 2015. Kematangan produk dan indek panen. [Internet]. [diunduh
2017 Jul 24]. Tersedia pada : http://fp.unram.ac.id/data/DR.Bambang%20
B%20Santoso/.
Santoso S. 2002. Buku Latihan SPSS Statistik Mutivariat. Jakarta (ID): PT. Elex
Media Komputindo.
Sarno, Purnama DA. 2015. Pepino Buah Mewah Berkhasiat Obat. Yogyakarta
(ID) : Kanisius.
Sharma S. 1996. Applied Multivariate Techniques. New York(US) John Wiley &
Sons.
Shop TO. 2010. Khasiat pepino. Informasi kesehatan revolusi medis Nabi
Muhammad SAW. [Internet]. [diunduh 2017 Jan 4]. Tersedia pada :
http://kesehatan.trolibelanja.com/?p=66.
34
Siagian, Dergibson, Sugiarto. 2000. Metode Statistika Untuk Bisnis dan Ekonomi.
Jakarta (ID): PT Gramedia Pustaka Utama.
Sukarsa IKG, Kencana IPEN, Kusumawardani NMD. 2014. Penerapan garis berat
segitiga centroid untuk menentukan kelompok pada analisis diskriminan.
[Diunduh 2017 Mei 4]. Tersedia pada :
http://erepo.unud.ac.id/id/eprint/7480.
Suhendra A. 2011. Catatan kuliah pengantar pengolahan citra. [Internet].
[diunduh 2016 Nov 15]. Tersedia pada:http://openstorage.gunadarma.ac.id/
handouts/S1_TEKNIKINFORMATIKA/PengolahanCitra.pdf.
Sulistyo BS. 2008. Pemutuan buah jeruk siam pontianak dengan teknik
pengolahan citra [tesis]. Bogor(ID): Institut Pertanian Bogor.
Sutan SM. 2015. Karakteristik sifat fisik-kimia buah manggis pada beberapa umur
panen. Jurnal Teknologi Pertanian Andalas. Vol 19(2).
Zulkarnain. 2010. Dasar-Dasar Hortikultura. Jakarta(ID) : PT Bumi Aksara.
35
LAMPIRAN
37
Lampiran 1 Foto proses penelitian: (a) Pengukuran dimensi menggunakan jangka

sorong, (b) Pengukuran bobot menggunakan timbangan analitik, (c)
Pengukuran kekerasan daging menggunakan Rheo Meter, (d)
Pemotongan buah pepino, (e) Potongan buah pepino dimasukkan
plastik dan dihancurkan, (f) Pengukuran TPT menggunakan
refraktometer, (g) Poses pengambilan citra
a b
c d
e f
g
38
Lampiran 2 Pemrograman pengolahan citra pepino ungu
public static bool Biner (Bitmap b, int signal)

{
BitmapData bmData = b.LockBits (new Rectangle (0,0, b.Width,
b.Height), ImageLockMode.ReadWrite, PikselFormat.Format24bppRgb);
int stride = bmData.Stride;
System.IntPtr scan0 = bmData.Scan0
unsafe
{
byte * p = (byte *) (void *) scan0;
int nOffset = stride - b.Width*3;
byte red, green, blue;
for (int y=0; y<b.Height; ++y)
{
for (int x =0; x<b.Width; ++x)
{
blue = p[0];
green =p[1];
red = p[2];
if (signal ==1)
{
if (red>30) p[0]=p[1]=p[2]=(byte) 255;
else p[0]=p[1]=p[2]=(byte) 0;
p +=3;
}
if (signal ==2)
{
if (green>30) p[0]=p[1]=p[2]=(byte) 255;
else p[0]=p[1]=p[2]=(byte) 0;
p +=3;
}
if (signal ==3)
{
if (blue>26) p[0]=p[1]=p[2]=(byte) 255;
else p[0]=p[1]=p[2]=(byte) 0;
p +=3;
}}
p += nOffset;
}}
b.UnlockBits (bmData);
return true;
}
public static bool Invert (Bitmap b)
{
BitmapData bmData = b.LockBits (new Rectangle (0,0, b.Width, b.Height),
ImageLockMode.ReadWrite, PikselFormat.Format24bppRgb);
39

System.IntPtr scan0 = bmData.Scan0;
unsafe
{
byte * p = (byte *) (void *) scan0;
for (int y=0; y<b.Height; ++y)
{
for (int x =0; x<b.Width; ++x)
{
blue = p[0];
green = p[1];
red = p[2];
if ((red>30) || (green>30) || (blue>30)) p[0] =p[1] =p[2] = (byte)
(0);
else p[0] = p[1] = p[2]= (byte) (255);
p +=3;
}
p += nOffset;
}}
b.UnlockBits (bmData);
return true;
}}
public bool WarnaRGB(Bitmap b)
{
uint area;
float r_jml, g_jml, b_jml;
BitmapData bmData = b.LockBits(new Rectangle (0, 0, b.Width, b.Height),
System.IntPtr Scan0 = bmData.Scan0;
unsafe
{
byte * p = (byte *)(void *)Scan0;
area=0;
r_jml=g_jml=b_jml=0;
for (int y=0;y<b.Height;++y)
{
for (int x=0;x<b.Width;++x)
{
if (p[0]>0)
{
area++;
r_jml += (float) (r_data[x,y]) / (float)(r_data[x,y]+g_data[x,y]+b_data[x,y]);
g_jml += (float) (g_data[x,y]) / (float)(r_data[x,y]+g_data[x,y]+b_data[x,y]);
b_jml += (float) (b_data[x,y]) / (float)(r_data[x,y]+g_data[x,y]+b_data[x,y]);
40
}
p +=3;
}
p += nOffset;
}
obyek1.Red = r_jml / (float) area;
obyek1.Green = g_jml / (float) area;
obyek1.Blue = b_jml / (float) area;
b.UnlockBits(bmData);
return true;
}}
public bool WarnaHSI(Bitmap b)
{
uint area;
double H_jml, h1, h2, h3, h4;
float S_jml, I_min;
long I_jml;
BitmapData bmData = b.LockBits(new Rectangle(0, 0, b.Width, b.Height),
unsafe
{
byte * p = (byte *)(void *)Scan0;
area=0;
H_jml = 0;
S_jml = 0;
I_min = I_jml = 0;
for(int y=0;y<b.Height;++y)
{
for(int x=0;x<b.Width;++x)
{
if(p[0]>0)
{
area++;
h1 = (double) (2*r_data[x,y]-g_data[x,y]-b_data[x,y]);
h2 = (double) ((r_data[x,y]-g_data[x,y])*(r_data[x,y]-g_data[x,y]) + (r_data[x,y]-
b_data[x,y])*(g_data[x,y]-b_data[x,y]));
if (h2>0.0) h3 = 2.0 * Math.Sqrt(h2);
else h3 = 0.0;
if (h3>0.0) h4 = Math.Acos (h1/h3) * 57.3;
else if (h1==0.0) h4 = 90.0;
else h4 = 0.0;
if (b_data[x,y] > g_data[x,y]) h4 = 360.0 - h4;
H_jml += h4;
I_min = Math.Min(Math.Min(r_data[x,y], g_data[x,y]), b_data[x,y]);
S_jml += (float) (1-(3*I_min) / (r_data[x,y]+g_data[x,y]+b_data[x,y]));
41
I_jml += (long) (r_data[x,y]+g_data[x,y]+b_data[x,y]) / (long) 3;

}
p += 3;
}
p += nOffset;
}}
obyek2.H = H_jml / (double) area;
obyek2.S = S_jml / (float) area;
obyek2.I = I_jml / (long) area;
return true;
}
public class PixOperator
{
public static bool Biner(Bitmap b)
{
BitmapData bmData = b.LockBits(new Rectangle(0,0,b.Width,
b.Height),ImageLockMode.ReadWrite, PikselFormat.Format24bppRgb);
unsafe
{
byte * p =(byte *)(void *)Scan0;
{
for(int x=0; x<b.Width; ++x)
{
blue = p[0];
green = p[1];
red= p[2];
if(( red <270) && (green<250) && (blue<180)) p[0]=p[1]=p[2]= (byte) (255);
else p[0]=p[1]=p[2]= (byte) (0);
p +=3;
}
p+= nOffset;
}}
return true;
}}
public class PixOperatorPut
{
public static bool Biner(Bitmap b)
{
BitmapData bmData = b.LockBits(new Rectangle(0,0,b.Width,
b.Height),ImageLockMode.ReadWrite, PikselFormat.Format24bppRgb);
42

unsafe
{
byte * p =(byte *)(void *)Scan0;
{
for(int x=0; x<b.Width; ++x)
{
blue = p[0];
green = p[1];
red= p[2];
if((red<120) && (green<120) && (blue<120)) p[0]=p[1]=p[2]= (byte) (255);
else p[0]=p[1]=p[2]= (byte) (0);
p +=3;
}
p+= nOffset;
}}
return true;
}}}}
43
Lampiran 3 Tampilan program pengolahan citra : (a) Tampilan program

pengolahan citra pepino ungu sebelum dijalankan (b) Tampilan
program pengolahan citra pepino ungu setelah dijalankan
b
44
44
Lampiran 4 Data pengukuran kekerasan aktual buah pepino ungu
No Ujung Tengah Pangkal Rata-rata Ujung Tengah Pangkal Rata-rata Ujung Tengah Pangkal Rata-rata
(kgf) (kgf) (kgf) (kgf) (kgf) (kgf) (kgf) (kgf) (kgf) (kgf) (kgf) (kgf)
1 2.95 3.35 2.93 3.08 3.13 3.74 3.42 3.43 4.02 4.34 1.97 3.44
2 3.82 4.35 3.23 3.80 2.65 4.03 4.04 3.57 3.46 3.89 2.14 3.16
3 3.41 3.68 3.52 3.54 3.11 3.22 3.49 3.27 1.76 3.09 3.21 2.69
4 2.9 2.83 2.63 2.79 2.35 2.86 2.79 2.67 3.53 3.63 3.54 3.57
5 3.18 4.02 3.14 3.45 3.76 2.81 3.99 3.52 2.28 4.62 0.87 2.59
6 3.36 3.73 2.03 3.04 3.27 3.83 3.53 3.54 2.4 3.05 2.62 2.69
7 2.75 3.13 2.92 2.93 2.17 4.2 3.28 3.22 2.39 5.45 1.13 2.99
8 3.81 3.89 3.23 3.64 3.76 3.23 2.49 3.16 3.76 3.23 2.59 3.19
9 2.47 3.04 2.81 2.77 2.91 4.27 2.83 3.34 3.54 4.01 3.62 3.72
10 3.83 4.75 3.97 4.18 4.51 4.17 3.24 3.97 3.71 2.78 2.01 2.83
11 3.7 3.84 4.02 3.85 3.06 3.78 3.85 3.56 2.38 2.73 2.36 2.49
12 3.4 4.34 3.64 3.79 2.96 3.26 2.7 2.97 1.85 3.45 1.27 2.19
13 3.96 4.39 3.92 4.09 3.41 3.73 3.63 3.59 2.63 4.23 2.9 3.25
14 2.13 3.2 2.33 2.55 3.91 3.19 3.8 3.63 1.96 3.52 2.05 2.51
15 3.78 4.6 3.87 4.08 2.63 3.57 2.39 2.86 2.29 4.2 1.42 2.64
16 4.13 4.83 3.96 4.31 3.73 3.57 3.96 3.75 2.96 2.56 3.06 2.86
17 3.56 4.23 3.79 3.86 3.7 2.82 3.68 3.40 3.4 4.12 4.16 3.89
18 3.2 4.56 4.02 3.93 3.57 3.76 3.45 3.59 2.86 3.42 3.58 3.29
19 3.32 3.82 3.61 3.58 3.2 3.66 3.95 3.60 3.2 2.85 2.98 3.01
20 2.42 3.54 2.54 2.83 4.1 3.18 3.52 3.60 2.21 3.23 0.53 1.99
21 3.13 4.75 3.57 3.82 4.1 4.24 2.91 3.75 3.01 2.62 2.85 2.83
22 2.18 3.6 2.67 2.82 3.64 3.76 3.1 3.50 2.49 3.54 1.73 2.59
45

(kgf) (kgf) (kgf) (kgf) (kgf) (kgf) (kgf) (kgf) (kgf) (kgf) (kgf) (kgf)
23 3.49 3.95 3.14 3.53 3.85 4.8 3.01 3.89 1.52 3.92 2.55 2.66
24 3.54 4.83 4.03 4.13 3.09 1.34 3.09 2.51 1.23 2.48 2.2 1.97
25 2.21 2.74 2.15 2.37 3.81 4 3.31 3.71 2.65 3.23 4.94 3.61
26 4.53 4.39 3.9o 4.27 3.85 3.27 2.38 3.17 3.65 2.76 2.52 2.98
27 2.5 3.34 2.71 2.85 3.25 3.27 4.02 3.51 1.03 4.12 1.97 2.37
28 3.47 3.68 2.87 3.34 2.04 3.78 3.1 2.97 1.85 2.52 1.54 1.97
29 3.48 4.18 3.58 3.75 3.84 3.85 3.74 3.81 2.54 3.84 3.8 3.39
30 3.71 3.89 3.07 3.56 2.82 3.02 3.02 2.95 2.51 3.28 2.48 2.76
31 3.12 3.21 3.03 3.12 3.07 2.34 3.31 2.91 2.18 3.59 3.79 3.19
32 3.94 4.12 3.54 3.87 3.23 3.06 3.45 3.25 2.87 3.83 2.87 3.19
33 3.23 3.85 3.4 3.49 4.48 3.81 4.08 4.12 1.32 2.31 2.14 1.92
34 2.23 3.34 2.54 2.70 2.83 3.19 2.54 2.85 2.21 3.34 2.52 2.69
35 2.78 3.27 2.84 2.96 3.85 3.95 3.82 3.87 3.12 3.67 2.34 3.04
36 3.73 4.31 4.45 4.16 3.44 3.29 2.93 3.22 3.38 3.42 3.8 3.53
37 3.4 4.13 3.54 3.69 2.7 4.83 3.03 3.52 2.43 3.89 3.57 3.30
38 2.93 4.12 3.23 3.43 3.39 3.39 2.61 3.13 3.23 5.54 3.52 4.10
39 3.65 4.13 3.36 3.71 4.43 4.02 3.46 3.97 4.26 3.75 4.07 4.03
40 3.99 5.02 4.34 4.45 3.23 3.23 2.85 3.10 3.92 3.02 3.25 3.40
45
46
46
Lampiran 5 Data pengukuran total padatan terlarut aktual buah pepino ungu
(brix) (brix) (brix) (brix) (brix) (brix) (brix) (brix) (brix) (brix) (brix) (brix)
1 4.5 4.4 4.5 4.5 4.5 4.5 4.4 4.5 4.3 4.0 4.0 4.1
2 4.7 4.6 4.7 4.6 4.3 4.7 4.8 4.6 4.6 4.8 4.7 4.7
3 4.3 4.4 4.7 4.5 4.1 4.7 4.7 4.5 5.0 4.9 4.7 4.9
4 4.1 4.1 4.0 4.1 4.6 4.7 4.7 4.7 4.8 4.7 4.8 4.8
5 4.8 4.8 4.7 4.8 4.8 4.8 4.8 4.8 3.5 3.6 3.5 3.5
6 4.8 4.7 4.7 4.7 4.4 4.5 4.6 4.5 4.9 4.5 4.5 4.6
7 4.9 4.8 4.9 4.9 4.6 4.6 4.6 4.6 4.9 4.9 4.8 4.9
8 5.0 4.9 4.9 4.9 4.5 4.7 4.5 4.6 5.3 5.2 4.9 5.1
9 4.2 4.1 4.1 4.2 5.1 5.0 4.9 5.0 5.1 5.1 5.1 5.1
10 3.9 3.9 4.0 3.9 4.3 4.0 4.1 4.1 5.1 5.0 5.0 5.0
11 4.3 4.4 4.4 4.4 3.4 4.4 4.5 4.1 4.7 4.6 4.6 4.6
12 3.8 3.8 3.7 3.8 4.8 4.7 4.7 4.7 4.9 4.6 4.8 4.8
13 4.2 4.2 4.2 4.2 4.1 4.4 4.7 4.4 4.5 4.5 4.5 4.5
14 4.1 4.2 4.1 4.1 4.1 3.9 3.9 4.0 4.0 4.1 4.1 4.1
15 5.2 5.3 5.4 5.3 4.1 4.0 4.1 4.1 4.7 4.5 4.5 4.6
16 4.4 4.3 4.5 4.4 4.7 4.4 4.5 4.5 4.6 4.7 4.9 4.7
17 4.3 4.2 4.3 4.3 4.1 4.0 3.9 4.0 4.6 4.7 4.9 4.7
18 4.6 4.5 4.4 4.5 4.3 3.9 3.9 4.0 5.1 5.0 5.1 5.0
19 4.7 4.7 4.7 4.7 5.0 5.0 4.8 4.9 4.9 4.6 4.8 4.8
20 3.9 3.9 3.9 3.9 4.1 4.3 4.2 4.2 4.7 4.5 4.7 4.6
21 4.2 4.2 4.1 4.2 4.8 4.8 4.8 4.8 4.7 4.5 4.5 4.6
22 4.5 4.5 4.1 4.4 4.9 4.8 4.8 4.8 4.7 4.6 4.8 4.7
47

(brix) (brix) (brix) (brix) (brix) (brix) (brix) (brix) (brix) (brix) (brix) (brix)
23 4.1 4.0 4.0 4.0 4.5 4.2 4.6 4.4 3.6 4.0 4.0 3.9
24 4.5 4.7 4.9 4.7 4.5 4.7 4.8 4.7 4.5 4.5 4.6 4.6
25 4.6 4.5 4.6 4.6 5.0 5.0 4.9 5.0 5.4 5.7 5.5 5.5
26 4.1 4.2 4.1 4.1 4.8 4.8 4.5 4.7 4.2 4.1 4.2 4.2
27 4.3 4.2 4.4 4.3 5.5 5.3 5.4 5.4 5.2 5.0 5.0 5.1
28 5.1 5.1 5.0 5.1 4.7 4.7 4.7 4.7 4.7 4.9 4.7 4.8
29 4.4 4.4 4.4 4.4 5.0 5.0 4.9 5.0 4.8 4.8 4.8 4.8
30 4.4 4.5 4.4 4.4 4.1 4.0 4.1 4.1 4.2 4.1 4.0 4.1
31 4.3 4.3 4.3 4.3 4.7 4.6 4.7 4.7 4.6 4.7 4.6 4.6
32 3.8 3.7 3.7 3.7 4.7 4.7 4.6 4.7 4.8 4.3 4.3 4.5
33 3.8 3.8 3.8 3.8 5.0 4.8 4.9 4.9 4.7 4.4 4.5 4.5
34 3.8 3.8 3.7 3.8 4.3 4.2 4.1 4.2 5.1 5.0 5.0 5.0
35 3.8 3.8 3.8 3.8 4.7 4.5 4.6 4.6 4.9 4.7 4.7 4.8
36 3.8 3.8 3.7 3.8 4.1 4.2 4.0 4.1 4.0 4.0 3.9 4.0
37 4.7 4.6 4.6 4.7 4.9 4.7 4.6 4.7 5.2 5.0 5.1 5.1
38 4.5 4.5 4.5 4.5 4.1 4.1 4.3 4.2 4.8 4.7 4.6 4.7
39 4.6 4.5 4.6 4.5 4.5 4.4 4.4 4.5 4.9 4.9 4.9 4.9
40 4.6 4.7 4.7 4.7 4.3 4.4 4.3 4.3 5.1 5.1 5.1 5.1
47
48
48
Lampiran 6 Dimensi buah ppeino pada berbagai tinglat kematangan
No d1 d2 d3 ∑d Tinggi d1 d2 d3 ∑d Tinggi d1 d2 d3 ∑d Tinggi
(cm) (cm) (cm) (cm) (cm) (cm) (cm) (cm) (cm) (cm) (cm) (cm) (cm) (cm) (cm)
1 5.91 8.01 6.78 6.90 16.3 3.52 6.67 5.06 5.08 12.85 5.11 6.22 5.68 5.67 11.75
2 5.86 7.36 5.95 6.39 14.4 3.68 6.41 4.43 4.84 11.17 5.12 6.75 6 5.96 13.17
3 5.55 7.74 6.01 6.43 14.51 4.34 6.76 5.11 5.40 11.12 4.08 6.15 5.13 5.12 9.31
4 5.5 7.67 6.3 6.49 15.1 4.31 6.86 5.52 5.56 11.61 4.17 6.23 4.73 5.04 12.63
5 5.16 6.87 5.31 5.78 14.18 3.46 5.9 4.66 4.67 15.55 3.56 6.36 4.58 4.83 10.25
6 6.05 8.49 6.32 6.95 15.8 4.93 6.86 5.43 5.74 10.36 4.56 6.37 4.98 5.30 9.71
7 5.75 7.94 6.16 6.62 15.15 4.65 6.65 5.38 5.56 9.53 3.49 6.44 4.79 4.91 10.92
8 5.32 6.88 5.66 5.95 13.89 4.37 7.03 4.78 5.39 10.26 3.67 6.15 4.83 4.88 9.31
9 5.94 7.66 6.4 6.67 12.12 4.21 6.74 5.26 5.40 9.22 6.11 7.05 5.74 6.30 10.8
10 4.57 6.65 5.74 5.65 13.88 4.14 6.64 5.26 5.35 9.17 6.13 7.05 5.84 6.34 12.03
11 4.73 7.6 5.6 5.98 15.65 4.32 6.56 4.86 5.25 9.98 3.67 6.15 4.83 4.88 9.31
12 5.35 6.9 5.51 5.92 13.85 4.14 6.5 4.75 5.13 10.84 5.93 6.19 5.3 5.81 11.63
13 5.44 7.06 5.83 6.11 13.04 4.01 7.33 5.47 5.60 11.97 3.45 6.86 4.89 5.07 12.28
14 5.02 6.71 5.3 5.68 14.48 3.45 6.39 4.88 4.91 12.08 3.62 6.81 4.7 5.04 11.52
15 4.92 6.72 5.43 5.69 14.16 3.74 6.22 4.74 4.90 11.03 4.13 7.44 5.31 5.63 11.63
16 6.01 7.18 6.11 6.43 12.8 3.52 5.86 4.62 4.67 10.76 4.82 5.86 4.72 5.13 10.44
17 6.53 7.65 6.34 6.84 13.2 3.45 6.11 3.93 4.50 9.97 4.12 6.35 5.08 5.18 11.47
18 5.43 7.01 5.8 6.08 13.24 3.74 6.37 4.73 4.95 9.98 3.92 6.6 5.16 5.23 12.27
19 5.58 6.91 5.64 6.04 11.3 4.15 7.2 4.26 5.20 11.96 5.21 6.8 5.62 5.88 11.5
20 5.45 7.43 5.65 6.18 13.31 4.32 6.31 4.61 5.08 10.23 3.98 6.88 4.86 5.24 11.39
21 4.5 7.04 4.97 5.50 13.28 3.61 6.41 5.01 5.01 10.22 5.05 5.93 5.37 5.45 11.26
22 5.96 7.44 6.05 6.48 10.5 3.63 6.26 4.99 4.96 11.17 3.63 5.95 4.23 4.60 10.55
49

No d1 d2 d3 ∑d Tinggi d1 d2 d3 ∑d Tinggi d1 d2 d3 ∑d Tinggi
(cm) (cm) (cm) (cm) (cm) (cm) (cm) (cm) (cm) (cm) (cm) (cm) (cm) (cm) (cm)
23 5.76 7.16 6.2 6.37 10.93 3.38 5.85 4.22 4.48 10.88 4.66 5.67 4.63 4.99 11.52
24 4.51 8.2 6.25 6.32 16.5 3.32 6.45 4.13 4.63 9.98 3.22 5.44 3.87 4.18 9.87
25 5.93 8.36 6.37 6.89 15.3 3.22 5.93 4.22 4.46 9.77 3.46 5.69 4.31 4.49 9.41
26 5.6 7.94 6.2 6.58 15.8 3.82 5.81 4.59 4.74 11.96 5.03 6.17 5.1 5.43 10.37
27 5.92 7.34 6.71 6.66 11.5 3.5 6.72 4.4 4.87 10.4 3.22 6.62 4.98 4.94 10.21
28 5.45 7.5 6.11 6.35 11.13 3.67 6.76 5.21 5.21 10.47 4.23 6.36 4.72 5.10 9.91
29 5.6 7.47 6.2 6.42 11.17 3.37 5.52 3.97 4.29 8.28 4.14 6.18 4.45 4.92 10.46
30 5.11 6.52 5.65 5.76 12.44 2.86 5.15 3.83 3.95 11.25 3.75 6.33 4.72 4.93 10.68
31 5.19 6.61 5.37 5.72 12.34 3.61 5.93 4.66 4.73 9.62 3.84 6.94 4.86 5.21 10.23
32 5.4 6.65 5.5 5.85 12.57 3.92 6.22 5.22 5.12 10.13 4.71 5.92 4.8 5.14 9.06
33 5.74 7.32 5.65 6.24 11.21 3.52 6.17 4.02 4.57 9.15 3.85 6.67 5.02 5.18 10.77
34 5.08 6.64 6 5.91 11.65 3.63 6.34 4.58 4.85 9.82 4.31 5.29 4.9 4.83 9.93
35 5.2 6.46 5.56 5.74 11.95 4.17 6.43 4.44 5.01 9.43 3.56 6.47 4.99 5.01 10.82
36 4.51 6.55 5.22 5.43 12.76 2.83 4.98 3.64 3.82 9.87 2.93 6.08 4.15 4.39 8.83
37 5.3 6.27 5.63 5.73 11.38 3.36 6.66 4.19 4.74 8.49 3.36 5.44 4.23 4.34 9.53
38 4.96 6.8 5.04 5.60 10.9 3.25 5.49 4.21 4.32 10.93 2.72 5.03 3.68 3.81 9.67
39 5.75 6.61 5.77 6.04 10.2 3.19 5.52 4.06 4.26 8.18 3.51 6.31 3.87 4.56 8.92
40 5.5 6.53 5.66 5.90 9.81 3.72 5.32 4.49 4.51 8.16 3.28 5.69 4.18 4.38 9.51
49
50
Lampiran 7 Data pengukuran bobot pepino ungu pada berbagai umur panen
No 90 HST (gr) 105 HST (gr) 120 HST (gr)
1 540.71 227.32 271.62
2 351.03 295.23 207.67
3 417.04 178.72 246.82
4 398.58 246.74 270.2
5 306.38 195.5 206.2
6 502.95 201.81 246.7
7 440.22 220.19 269.43
8 317.57 221.28 247.72
9 345.74 270.4 209.63
10 303.74 296.6 205.16
11 385.08 165.11 215.3
12 339.11 208.65 227.54
13 310.57 268.65 299.65
14 303.28 244.78 253.8
15 306.93 287.69 206.55
16 327.49 170.18 286.86
17 361.69 219.94 178.44
18 318.83 247.77 196.04
19 284.73 254.67 282.96
20 357.71 255.57 203.38
21 302.63 195.44 217.36
22 289.38 185.9 213.36
23 271.1 134.36 193.56
24 490.39 149.44 180.33
25 510.78 148.1 171.33
26 485.52 194.85 190.47
27 282.06 222.28 235.49
28 276.94 202.78 230.88
29 288.27 211.87 132.04
30 263.29 284.94 154.43
31 63.58 153.36 182.65
32 252.93 213.37 195.8
33 59.43 141.55 162.27
34 23.91 187.45 197.5
35 262.87 187.47 181.35
36 69.32 144.43 120.78
37 232.03 135.7 121.63
38 237.99 124.29 139.8
39 222.71 158.28 126.29
40 206.2 139.62 129.68
51
Lampiran 8 Data hasil pengolahan citra pepino ungu pada umur panen 90 HST
No Area (piksel) Lebar (piksel) Tinggi (piksel) Indeks R Indeks G Indeks B Hue Saturasi Intensitas
1 112268 280 535 0.377663 0.320135 0.302215 165.5884 0.168449 97
2 77045 227 449 0.386852 0.310054 0.303104 173.5842 0.165597 91
3 86713 250 460 0.371461 0.323731 0.304826 150.4033 0.130146 85
4 87806 244 470 0.384613 0.315296 0.300096 166.4962 0.171015 97
5 72240 217 442 0.370349 0.322706 0.30696 149.1308 0.124107 74
6 104888 273 500 0.377355 0.316399 0.306262 179.4198 0.161354 80
7 94101 253 484 0.375465 0.320534 0.304007 145.5666 0.137822 89
8 73674 231 438 0.363326 0.341669 0.295014 131.4866 0.16177 89
9 72128 239 388 0.382421 0.30318 0.314412 203.1713 0.163296 86
10 68710 208 426 0.37759 0.319205 0.303218 167.9899 0.165838 83
11 84137 238 473 0.386198 0.305533 0.308282 196.8171 0.170144 81
12 75636 227 425 0.386198 0.305533 0.308282 177.7546 0.141 71
13 69662 220 407 0.362844 0.31803 0.319131 188.3126 0.140455 70
14 71170 201 453 0.364835 0.313747 0.321425 198.2225 0.131049 63
15 72107 209 448 0.395071 0.308127 0.296815 172.2591 0.181507 89
16 71232 227 400 0.375849 0.312706 0.31146 188.7155 0.15418 73
17 78948 229 427 0.398021 0.301785 0.300205 191.787 0.187118 94
18 71373 223 414 0.378459 0.31688 0.304673 162.5714 0.140454 77
19 62504 224 381 0.375866 0.306241 0.317887 209.0055 0.145966 71
20 75539 234 417 0.38798 0.303491 0.30855 199.2897 0.169049 76
21 70043 224 419 0.363799 0.325678 0.310537 173.5157 0.151683 84
22 63310 242 338 0.382578 0.313787 0.303638 166.8722 0.16348 98
23 60171 226 348 0.379184 0.314452 0.306364 174.9368 0.158422 85
24 101854 259 522 0.384307 0.313713 0.301985 172.1027 0.174533 90
51
52
52
25 102571 279 484 0.386323 0.319616 0.294065 140.2333 0.169652 101
26 103442 257 526 0.380246 0.318327 0.30144 166.2587 0.173784 91
27 61956 230 355 0.370078 0.330731 0.299193 142.8281 0.152818 92
28 61561 229 349 0.368225 0.349993 0.281782 108.3717 0.180076 114
29 66244 235 360 0.362375 0.332137 0.305514 149.5738 0.13808 96
30 62945 211 395 0.393716 0.301146 0.305137 189.3624 0.174546 111
31 60158 211 380 0.369319 0.316961 0.313718 185.5303 0.155613 78
32 61299 203 391 0.380894 0.294445 0.294445 230.7305 0.167644 79
33 59441 226 345 0.379374 0.309998 0.310636 189.4124 0.157299 87
34 57556 203 368 0.393789 0.297768 0.308448 202.8058 0.177419 96
35 58659 212 372 0.377324 0.309095 0.313581 192.5343 0.163147 87
36 64122 212 401 0.393682 0.303066 0.303256 185.4773 0.178918 105
37 53927 195 349 0.380316 0.324847 0.294838 148.4789 0.176728 102
38 55574 207 350 0.380832 0.310053 0.309113 180.9162 0.157764 90
39 51326 208 317 0.37887 0.317416 0.303715 163.9115 0.159371 90
40 49323 211 304 0.358704 0.350893 0.290401 118.8262 0.160821 99
53
1 61609 201 393 0.387346 0.320855 0.291803 114.8438 0.160037 116
2 51232 197 342 0.375195 0.325878 0.298919 126.0714 0.142172 90
3 56608 212 346 0.372734 0.340516 0.286751 100.7053 0.165542 102
4 61560 211 376 0.371415 0.332614 0.295969 131.338 0.152747 93
5 51721 186 355 0.380061 0.320453 0.299482 138.9228 0.141506 83
6 56313 215 329 0.36993 0.344383 0.285686 93.98899 0.162147 97
7 48563 206 297 0.373403 0.329002 0.297591 101.8878 0.131487 117
8 55002 224 322 0.356647 0.337617 0.305732 130.0923 0.119371 88
9 47749 212 293 0.380483 0.326112 0.293401 109.828 0.148153 90
10 47718 202 295 0.368718 0.321662 0.309616 151.0231 0.121106 89
11 50573 207 318 0.375262 0.334355 0.290379 100.9406 0.154417 108
12 54075 205 337 0.361658 0.325138 0.313198 155.1303 0.112338 74
13 66025 224 380 0.367541 0.32572 0.306746 143.6972 0.124929 84
14 61509 199 386 0.383788 0.325975 0.290237 107.5443 0.158828 101
15 49264 190 338 0.369896 0.311324 0.318777 193.6081 0.127882 84
16 47668 186 325 0.380305 0.328596 0.291095 108.8949 0.152171 96
17 44629 191 305 0.357143 0.328591 0.314252 144.7184 0.100087 75
18 48187 197 311 0.365287 0.336256 0.298448 109.9778 0.128678 81
19 63996 221 378 0.380881 0.320015 0.299106 124.3613 0.1405 105
20 49037 199 316 0.357473 0.338665 0.303858 120.7209 0.115815 85
21 51618 208 325 0.369133 0.33132 0.299543 117.916 0.130704 93
22 51072 192 337 0.371935 0.322056 0.306001 147.8674 0.127402 79
23 47149 179 331 0.38176 0.324448 0.293788 118.0183 0.154949 91
24 46630 197 308 0.36264 0.314025 0.323321 199.9732 0.10442 65
53
54
54
25 42158 186 294 0.365609 0.333714 0.300673 106.544 0.122223 80
26 49872 181 357 0.387854 0.316526 0.295614 127.5044 0.150059 90
27 52940 211 331 0.365106 0.33447 0.300424 123.7791 0.133846 101
28 52570 202 331 0.386353 0.330178 0.283469 102.3144 0.178805 116
29 34408 171 253 0.367304 0.325693 0.306998 136.1055 0.119299 87
30 42794 160 340 0.388026 0.315377 0.296593 132.5424 0.151542 92
31 44581 192 299 0.371406 0.345233 0.283356 80.13811 0.165506 124
32 46800 193 308 0.362168 0.323836 0.313983 156.0528 0.105396 74
33 41311 190 283 0.368807 0.304355 0.326826 240.5782 0.111415 61
34 46531 198 304 0.380455 0.323973 0.295571 114.8733 0.140838 89
35 44139 200 289 0.373101 0.328058 0.298831 119.7335 0.137926 90
36 35499 155 298 0.38226 0.320417 0.297323 116.5339 0.134721 79
37 32297 170 231 0.370096 0.309209 0.32069 212.4424 0.112681 77
38 35690 174 264 0.361965 0.335653 0.302376 110.0604 0.116492 84
39 32905 171 247 0.370034 0.317825 0.312139 161.701 0.113614 77
40 34321 164 260 0.375842 0.328754 0.295402 99.43467 0.141866 107
55
1 56367 200 364 0.380587 0.30234 0.317072 215.3291 0.162542 75
2 41827 193 280 0.36546 0.320505 0.314025 167.4647 0.126294 66
3 43105 196 280 0.370608 0.321748 0.307641 162.5011 0.14176 89
4 59279 195 383 0.388801 0.313702 0.2975 153.9477 0.164434 89
5 47644 198 314 0.38009 0.298905 0.321003 224.6787 0.157525 76
6 47117 202 300 0.377388 0.326168 0.296443 146.9796 0.164438 92
7 52764 203 333 0.377589 0.319659 0.302748 161.5762 0.153399 77
8 52632 207 320 0.365135 0.321657 0.313202 176.4079 0.13728 78
9 60689 225 336 0.388092 0.30432 0.307592 199.1373 0.175913 78
10 65036 217 376 0.370456 0.318372 0.311183 178.0483 0.143994 70
11 41827 193 280 0.36546 0.320505 0.314025 167.4647 0.126294 66
12 52400 189 358 0.387536 0.32138 0.291082 129.3666 0.173505 98
13 62132 215 397 0.382451 0.313739 0.303816 175.648 0.168045 78
14 57107 208 360 0.382429 0.312518 0.305053 183.9136 0.174782 90
15 64420 235 377 0.372746 0.312663 0.314598 190.4483 0.14202 70
16 42339 167 317 0.383598 0.300606 0.315793 215.6016 0.157426 76
17 52427 203 343 0.373216 0.306724 0.320047 212.3591 0.136145 63
18 57534 195 373 0.380137 0.31522 0.304643 176.5241 0.164078 88
19 58490 210 356 0.377921 0.330061 0.292017 131.6439 0.169947 110
20 60080 218 357 0.38463 0.314304 0.301071 160.7245 0.158006 79
21 48909 201 362 0.388604 0.291957 0.319434 239.9475 0.169244 77
22 45840 185 329 0.381014 0.312151 0.306832 181.8993 0.156805 86
23 48238 175 354 0.374247 0.313614 0.312133 192.5347 0.139965 85
24 36733 162 297 0.379422 0.313001 0.307573 175.1589 0.143428 73
55
56
56
25 40710 177 291 0.381044 0.312723 0.306227 177.3577 0.159782 85
26 47499 191 323 0.391666 0.305635 0.302695 179.5313 0.166603 93
27 48244 206 315 0.368807 0.321462 0.309728 168.8593 0.145659 76
28 48980 209 300 0.382314 0.31589 0.301792 165.0379 0.160736 87
29 49559 189 329 0.382799 0.303799 0.313394 203.1611 0.156263 74
30 49581 197 323 0.376775 0.317809 0.305412 172.9431 0.161559 79
31 60534 248 311 0.368552 0.300425 0.331017 235.0524 0.140903 65
32 40415 184 285 0.378642 0.314223 0.307132 171.4856 0.149408 73
33 53003 206 333 0.381566 0.323041 0.295389 146.0209 0.171747 100
34 39261 159 303 0.37732 0.329219 0.293457 137.6312 0.165674 90
35 49754 197 333 0.385403 0.313122 0.301474 166.2597 0.16266 83
36 36086 186 263 0.363162 0.321033 0.315802 174.9585 0.132638 83
37 37415 169 290 0.379139 0.303232 0.317625 214.2137 0.149121 78
38 34596 155 286 0.380035 0.304713 0.315249 210.1504 0.151421 73
39 40986 194 278 0.379201 0.309866 0.310929 185.5195 0.152991 93
40 39429 172 293 0.384899 0.311123 0.303974 177.6644 0.163222 87
57
Lampiran 11 Analisis sidik ragam (ANOVA)
Derajat Kuadrat
Jumlah Kuadrat F Hitung Sig.
Bebas Tengah
Bobot Perlakuan 401843.487 2 200921.744 49.849 0.000
Galat 471583.074 117 4030.625
Total 873426.561 119
Diameter Perlakuan 37.158 2 18.579 84.124 0.000
Galat 25.840 117 0.221
Total 62.997 119
Tinggi Perlakuan 175.261 2 87.630 41.244 0.000
Galat 248.586 117 2.125
Total 423.847 119
TPT Perlakuan 1.839 2 0.920 6.670 0.002
Galat 16.133 117 0.138
Total 17.972 119
Kekerasan Perlakuan 6.567 2 3.283 13.085 0.000
Galat 29.358 117 0.251
Total 35.925 119
r Perlakuan 1.514E10 2 7.570E9 57.953 0.000
Galat 1.528E10 117 1.306E8
Total 3.042E10 119
g Perlakuan 29471.150 2 14735.575 39.445 0.000
Galat 43708.050 117 373.573
Total 73179.200 119
b Perlakuan 222102.067 2 111051.033 54.864 0.000
Galat 236819.800 117 2024.101
Total 458921.867 119
h Perlakuan 0.001 2 0.000 6.674 0.002
Galat 0.009 117 0.000
Total 0.010 119
s Perlakuan 0.004 2 0.002 18.361 0.000
Galat 0.012 117 0.000
Total 0.016 119
i Perlakuan 0.001 2 0.001 6.006 0.003
Galat 0.010 117 0.000
Total 0.011 119
58
Lampiran 12 Hasil uji beda nyata Duncan’s multiple range test (DMRT) pada
taraf kepercayaan 95%
Rataan
Variabel
Area 72684.075a 49274.700b 48458.075b
Bobot 327.768a 327.768a 205.217b
a b
Diameter 6.157 5.083 4.893c
a b
Tinggi 13.092 10.621 10.445b
TPT 4.363b 4.533a 4.665a
a a
Kekerasan 3.503 3.399 2.963b
R 0.379a 0.378a 0.372b
b b
G 0.316 0.313 0.326a
B 0.305ab 0.308a 0.301b
a a
H 172.506 180.129 130.810b
S 0.160a 0.155a 0.135b
a b
I 87.775 81.200 90.350a
Huruf yang berbeda pada baris yang sama menunjukkan nilai yang
berbeda nyata.
59
Lampiran 13 Analisis diskriminan pertama
Diagram biplot korelasi variabel terhadap faktor F
AREA
0.75

0.5 I
0.25
S
0
-0.25
-0.5
-0.75
-1
-1 -0.75 -0.5 -0.25 0 0.25 0.5 0.75 1
Posisi titik tengah plot pengelompokan diskriminan kuadratik
Kelompok Umur Panen F1 F2

90 HST 1.201 0.848
105 HST 0.444 -1.156
120 HST -1.645 0.307
Eigenvalue pengelompokan
F1 F2
Eigenvalue 1.485 0.735
Discrimination (%) 66.895 33.105
Cumulative % 66.895 100.000
Matriks fungsi skor diskriminan
1 2 3
Irisan -60.19418 -49.57072 -42.75481
S 484.51557 527.45506 316.13325
I 0.12210 0.04991 0.31057
Area 0.00041 0.00023 0.00026
60
60
61
RIWAYAT HIDUP
Penulis dilahirkan di Magetan pada tanggal 15 Maret 1995 dari ayah

Muryanto dan ibu Sulistyowati. Penulis adalah putra kedua dari 2 bersaudara.
Tahun 2013 penulis lulus dari SMA Negeri 1 Maospati dan pada tahun yang sama
penulis lulus seleksi masuk Institut Pertanian Bogor (IPB) melalui jalur Seleksi
Nasional Masuk Perguruan Tinggi Negeri (SNMPTN) IPB dan diterima di
Departemen Teknik Mesin dan Biosistem, Fakultas Teknologi Pertanian.
Selama menempuh jalur pendidikan di universitas, penulis aktif dalam
kegiatan Staff Biro Kesekretariatan Badan Eksekutif Mahasiswa Fakultas
Teknologi Pertanian (BEM-F) (2014-2015) dan sebagai Kepala Biro
Kesekretariatan Badan Eksekutif Mahasiswa Fakultas Teknologi Pertanian
(BEM-F) (2015-2016). Bulan Juni-Agustus 2015 penulis melaksanakan Praktik
Lapangan di PTPN 10 unit PG. Ngadiredjo Kabupaten Kediri dengan judul Aspek
Keteknikan Pertanian Dalam Pengolahan Tebu Di Pabrik Gula Ngadiredjo,
Kediri.

Skripsi Pepimo

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Skripsi Pepimo

Diunggah oleh

Hak Cipta:

Format Tersedia

EVALUASI TINGKAT KEMATANGAN BUAH PEPINO UNGU

MENGGUNAKAN PENGOLAHAN CITRA DIGITAL

DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM

Dengan ini saya menyatakan bahwa skripsi Evaluasi Tingkat Kematangan

Bogor, Agustus 2017

KRESNANTO HERLAMBANG. Evaluasi Tingkat Kematangan Buah Pepino

KRESNANTO HERLAMBANG. Evaluation of Purple Pepino Fruit Ripeness

One fruit that is suspected to have anti-cancer potential is pepino.

Keywords: discriminant analysis, image processing, purple pepino fruit, ripeness

DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM

Bogor, Agustus 2017

DAFTAR TABEL viii

1. Kandungan gizi buah pepino 3

1. Laju respirasi buah Pepino pada suhu 20°C. 1

1. Foto proses penelitian 37

Meningkatnya kesadaran untuk hidup sehat telah mendorong konsumen

Penanganan pascapanen buah yang tidak dilakukan secara hati-hati dapat

Pepino merupakan tanaman semak, tidak bercabang, dengan akar berinti

Tabel 1 Kandungan Gizi buah pepino

Gambar 2 Pepino kuning

Gambar 3 Pepino ungu

Penanganan Pascapanen Pepino

Buah pepino merupakan komoditas pertanian yang lunak sehingga mudah

Tabel 2 Klasifikasi kualitas buah pepino

Kematangan dan Umur Panen

Panen merupakan pekerjaan akhir dari budidaya tanaman (bercocok

pascapanen yang bagaimana yang sebaliknya dilakukan. Pada dasarnya yang

Image processing adalah proses untuk mengamati dan menganalisa suatu

dimana : r = nilai indeks warna merah

Pada model warna HSI, nilai hue menunjukan panjang gelombang

H = acos × [(R − G)2+ (R − G)(G − B)]0.5............................................... (4)

dimana : H = nilai hue

Aplikasi Pengolahan Citra untuk Evaluasi Mutu Produk Hortikultura

Ahmad et al. (2004) menggunakan pengolahan citra untuk melakukan

menunjukkan bahwa parameter mutu yang sesuai untuk melakukan klasifikasi

Analisis diskriminan merupakan teknik multivariat yang berkaitan dengan

d = b0 + b1x1 + b2x2 + b3x3 + …… + bnxn. ......................................................................................... (7)

dimana: d = skor diskriminan

Distribusi Normal Multivariat

d 2j  (X j  X)' S 1 (X j  X) ................................................................................... (8)

dimana: j = urutan = 1, 2, ..., n dan p = banyaknya peubah.

dalam pengujian ternyata didapatkan sebuah kesimpulan bahwa antara variabel

Kesamaan Matriks Varian-kovarian

dimana: k = banyaknya kelompok.

v1 = (1/2)(k –1)p(p + 1) .......................................................................................(12)

dimana p = jumlah peubah pembeda dalam fungsi diskriminan.

Sehingga, apabila (-2ln*) / b  Fv1,v2, maka tidak ada alasan untuk

Waktu dan Tempat Penelitian

Alat dan Bahan

Buah pepino umur

Pengukuran bobot buah pepino

Perekaman citra kulit buah pepino

Analisis data citra kulit buah pepino

Pengujian kekerasan buah

Pengujian TPT buah

Pengembangan model tingkat kematangan

Gambar 5 Diagram alir penelitian

Persiapan Sampel Penelitian

Pengukuran Kekerasan Daging

Citra biner buah

Analisa warna Analisa warna Analisa ukuran

Indeks warna r, g, Nilai hue, saturasi, Area, tinggi dan

Gambar 6 Diagram alir prosedur pengolahan citra