2019 Afu

1
KAJIAN PARAMETER MUTU BUAH MATOA JENIS

KUNING (Pometia pinnata) MENGGUNAKAN
PENGOLAHAN CITRA DIGITAL
ALEXANDER FURAY
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2019
2
3
PERNYATAAN MENGENAI TESIS DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa tesis berjudul Kajian Parameter Mutu
Buah Matoa Jenis Kuning (Pometia pinnata) Menggunakan Pengolahan Citra
Digital adalah benar karya saya dengan arahan dari pembimbing dan belum di
ajukan dalam bentuk apapun kepada perguruan tinggi manapun. Sumber informasi
yang berasal atau di kutip dari karya yang di terbitkan dicantumkan dalam daftar
pustaka di bagian akhir tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada
Institut Pertanian Bogor
Bogor, Maret 2019
Alexander Furay
NIM F152150041
4
RINGKASAN
ALEXANDER FURAY. Kajian Parameter Mutu Buah Matoa Jenis Kuning
(Pometia pinnata) Menggunakan Pengolahan Citra Digital. Dibawah Bimbingan
USMAN AHMAD dan SLAMET WIDODO
Buah matoa, buah eksotik dengan rasa manis campuran rasa klengkeng,
rambutan, durian dan cempedak memberi cita rasa khas dan beda dari seluruh
produk buah yang ada. Pemasarannya telah menyebar dari pasar rakyat dan
diberbagai supermarket, memiliki potensi ekonomi baru, bernilai komersial serta
menjadi peluang usaha baru skala rumah tangga atau industri juga berpotensi
menjadi buah expor. Sebanyak 46 produk buah segar hortikultura di Indonesia
telah memiliki SNI (Subdit Standarisasi PPHP 2014), hingga saat buah matoa
belum miliki standar mutu pada SNI atau ketentuan lain yang dapat digunakan
sebagai acuan standarisasi buah matoa. Pengolahan citra digital dapat digunakan
untuk mengenal pola secara akurat, cepat, praktis, dalam jumlah besar tanpa
merusak bahan, dan merupakan salah satu pilihan untuk pekerjaan sortasi dan
grading produk segar hortikultura dewasa ini. Tujuan penelitian ini adalah
mempelajari dan mengembangkan metode pemutuan buah matoa jenis kuning
menggunakan pengolahan citra digital.
Penelitian dilakukan pada bulan Agustus 2016 - Januari 2017 di
Laboratorium Teknik Pengolahan Hasil Pertanian Departemen Teknik Mesin dan
Biosistem Institut Pertanian Bogor. Pengukuran parameter mutu fisik secara
manual dari 204 sampel buah matoa jenis kuning adalah pengukuran berat (kg),
panjang (cm),diameter (cm), kekerasan (kg/cm2), total padatan terlarut (% brix).
Pengukuran mutu visual dengan metode citra digital adalah, sampel buah
matoa jenis kuning direkam menggunakan kamera digital,selanjutnya proses
pengolahan citra, dilakukan menggunakan aplikasi program komputer yang telah
dibuat menggunakan Matlab R2014b untuk menghitung area, dan nilai warna
obyek yaitu RGB dan HSV. Hasil pengukuran mutu fisik buah matoa jenis
kuning berdasarkan berat (gram),dan berdasarkan area (piksel) hasil pengolahan
citra menghasilkan tiga kelas mutu yaitu kelas mutu A, B dan C. dengan tingakt
akurasi 73.89 % . Hasil pengukuran mutu visual menggunakan pengolahan citra
digital berdasarkan rasio warna merah biru (R/B), rasio warna hue value (H/V).
menghasilkan 3 kelas mutu yaitu kelas mutu 1 warna coklat dan coklat- kuning,
kelas mutu 2 warna kuning dan kelas mutu 3 warna kuning hijau dan hijau
dengan tingkat akurasi 74.38% . Algoritma pemutuan menggunakan pengolahan
citra digital kombinasi mutu berdasarkan berat (gram), area (piksel) dan rasio
warna merah biru (R/B) dan rasio hue value (H/V) menghasilkan 9 kelas mutu
baru yaitu A1, A2, A3, B1, B2, B3, C1, C2, C3 dengan tingkat akurasi 52.71%
Kata kunci : Buah matoa jenis kuning, pengolahan citra digital, kelas mutu
5
SUMMARY
ALEXANDER FURAY. Study on the Quality Parameters of Yellow Matoa Fruit

(Pometia pinnata) Using Digital Image Processing. Supervised by USMAN
AHMAD and SLAMET WIDODO
Matoa fruit, an exotic fruit with a sweet taste of a mixture of klengkeng,

rambutan, durian and cempedak flavor gives a distinctive taste and is different
from all existing fruit products. At this time matoa fruit is sold without grading
them first so the quality is mixed. Digital image processing can be used to
recognize patterns accurately, quickly, practically, in large quantities without
damaging the material, and is one of the options for the work of sorting and
grading horticultural fresh products today. In addition to not having SNI, the
community also does not have a standard method for grading according to
standardization of fresh horticultural products. Digital image processing can be
used to recognize patterns accurately, quickly, practically and in large quantities
without damaging the material so that it can be used as an option for the work of
grading fresh horticultural products. The purpose of this study was to study and
develop the method of grading yellow matoa fruit using digital image processing.
The study was conducted in August 2016 - January 2017 at the Laboratory
of Food and Agricultural Product Processing Engineering, Department of
Mechanical Engineering and Biosystem, Bogor Agricultural University.
Manually measuring the quality parameters of the 203 yellow matoa fruit sample
are the measurement of weight (kg), length (cm), diameter (cm), hardness (kg /
cm2), total dissolved solids (% brix).
The measurement of visual quality parameters using the digital image
processing method is the yellow matoa fruit recorded using a digital camera, then
the fruit image processing process of the computer program application has been
made using Matlab R2014b to calculate the area, height, width, defect area and
RGB color intensity value and HSV. Results measurement of the physical quality
of yellow matoa fruit based on weight (gram), and based on the area (pixel) of
image processing results in three quality classes namely quality class A, B and C.
with accuracy of 73.89% The results of visual quality measurement using digital
image processing based on color ratio values red - blue (R / B), and the value of
the color ratio hue-value (H / V) produce 3 quality classes namely quality class 1
brown and yellow-brown, quality class 2 yellow and quality class 3 yellow-green
and green with accuracy 74.38%. The whitening algorithm uses digital image
processing a combination of quality based on weight (gram), area (pixels) and the
value of the red blue ratio (R / B) and the value of the ratio hue value (H / V)
produces 9 new quality class categories A1, A2, A3, B1, B2, B3, C1, C2, C3 with
accuracy 52.71%
Key words : Yellow matoa fruit, digital image processing, quality classes
6
© Hak Cipta Milik IPB, Tahun 2019

Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan
atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan,
penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau
tinjauan suatu masalah, dan pengutipan tersebut tidak merugikan IPB.
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini
dalam bentuk apapun tanpa izin IPB.
7
KAJIAN PARAMETER MUTU BUAH MATOA JENIS

KUNING (Pometia pinnata) MENGGUNAKAN
PENGOLAHAN CITRA DIGITAL
ALEXANDER FURAY
Tesis
Sebagai salah satu syarat untuk memperoleh gelar
Magister Sains
pada
Program Studi Teknologi Pascapanen
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN
BOGOR
2019
8
Penguji Luar Komisi pada Ujian Tesis: Prof. Dr. Ir . Sutrisno, M. Agr
9
10
PRAKATA
Puji dan syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa, atas
berkat dan rahmatNya sehingga karya ilmiah dengan judul Pemutuan Buah Matoa
jenis Kuning (Pometia pinnata), menggunakan Pengolahan Citra Digital. ini
berhasil diselesaikan.
Terima kasih penulis ucapkan kepada Prof. Dr. Ir. Sutrisno, M. Agr,
sebagai Ketua Departemen Teknik Mesin dan Biosistem Fakultas Teknologi
Pertanian IPB, Dr. Ir. Usman Ahmad, M. Agr sebagai Kaprodi Teknologi
Pascapanen dan sebagai pembimbing, Dr. Slamet Widodo, STP. M.Sc. sebagai
pembimbing, ucapan terima kasih juga kami sampaikan kepada Civitas akademika
Fateta IPB dan seluruh kawan-kawan program studi Pascapanen IPB dan semuah
pihak yang telah membantu baik langsung maupun tidak langsung.
Terima kasih juga kepada keluarga yang telah mendukung dan memberi
semangat dan doa.
Semoga karya ilmiah ini bermanfaat
Bogor, Maret 2019
Alexander Furay
11
DAFTAR ISI
DAFTAR TABEL xii

DAFTAR GAMBAR xii
DAFTAR LAMPIRAN xii
PENDAHULUAN
Latar Belakang 1
Tujuan 2
Manfaat Penelitian 2
Ruang Lingkup Penelitian
2 TINJAUAN PUSTAKA
Buah Matoa 2
Morfologi Buah Matoa 3
Kriteria Standar Mutu Buah Matoa 4
Standar Mutu Buah Matoa 5
Kelas Mutu Buah Matoa 6
Pengolahan Citra Digital 7
Aplikasi Pengolahan Citra Digital dalam Bidang Pertanian 11
3 METODE
Waktu dan Tempat Penelitian 12
Alat dan Bahan 12
Prosedur Penelitian 12
Prosedur Pengolahan Citra Digital 14
Evaluasi Hasil Pemutuan Parameter Mutu secara Manual dan
Hasil Pengolahan Citra Digital Buah Matoa Jenis Kuning 16
4. HASIL DAN PEMBAHASAN
Parameter Mutu Buah Matoa Jenis Kuning ditingkat Petani 18
dan Hasil Pemutuan Secara Manual
Kelas Mutu Buah Matoa Kuning Berdasarkan Hasil Pengukuran
Manual 19
Hasil Pengukuran Mutu Buah Matoa Jenis Kuning Menggunakan
Pengolahan Digital 19
Evaluasi Mutu Buah Matoa Jenis Kuning Hasil Pengukuran
Manual dengan Mutu Visual Hasil Pengolahan Citra Digital 27
Penggolongan Kelas Mutu Buah Matoa Jenis kuning Berdasarkan
Hasil Pengukuran Manual berdasarkan Berat (gram) 27
Penggolongan Kelas Mutu Buah Matoa Jenis kuning Hasil
Pengukuran Berdasarkan Berat (gram) dan Hasil Pengolahan
Citra Digital Berdasarkan Area (piksel) 28
Penggolongan Kelas Mutu Buah Matoa Jenis kuning Hasil
Pengolahan Citra Digital Berdasarkan Visual Warna Kulit 28
Hasil Pemutuan dan Algoritma Pemutuan Buah Matoa Jenis Kuning 29
12
Hasil Pengolahan Citra Digital Berdasarkan Berat (gram), Area

(piksel) dan Nilai Rasio Warna R/B dan H/V 29
5. SIMPULAN DAN SARAN
Simpulan 33
Saran 33
DAFTAR PUSTAKA 34
DAFTAR LAMPIRAN 36
RIWAYAT HIDUP 63
13
DAFTAR TABEL
1. Parameter pembeda buah matoa berdasarkan jenis 3
2. Beberapa sifat fisik dan kandungan gizi buah matoa 4
3. Kriteria kelas mutu buah matoa 6
4. Parameter mutu buah matoa jenis kuning dengan parameter
mutu citra digital 16
5. Mutu buah matoa jenis kuning berdasarkan warna kulit 18
6. Parameter mutu buah matoa jenis kuning hasil pengukuran
manual 18
7. Kelas mutu buah matoa jenis kuning berdasarkan berat (gram)
8. Nilai area (piksel) buah matoa jenis kuning 20
9. Penggolongan kelas mutu buah matoa jenis kuning hasil
pemutuan manual berdasarkan berat (gram) 28
10. Tingkat keberhasilan pemutuan buah matoa jenis kuning berdasarkan
berat (gram) dan pengolahan citra digital berdasarkan area (piksel) 28
11. Kelas mutu buah matoa jenis kuning hasil pemutuan berdasarkan
nilai rasio R/B dan rasio H/V 29
12. Tingkat keberhasilan pemutuan buah matoa jenis kuning hasil
pengolahan citra digital berdasarkan nilai rasio warna R/B dan H/V 29
13. Algoritma pemutuan buah matoa jenis kuning berdasarkan berat
(gram), area (piksel), nilai rasio warna R/B dan H/V 30
14. Tingkat keberhasilan penggolongan kelas mutu berdasarkan
berat (gram), area (piksel), nilai rasio warna R/B dan H/V 31
DAFTAR GAMBAR
1. Morfologi buah matoa jenis kuning 4
2. bagan alir proses pengolahan citra digital 8
3. Model warna RGB 10
4. Model warna HSV 10
5. Diagram alir proses pengukuran mutu buah matoa secara manual 13
6. Diagram alir implemetasi antar muka ( interface) sistem pengolahan
citra buah matoa jenis kuning menggunakan matlab R2014b. 15
7. Diagram alir analisis parameter mutu buah matoa menggunakan
Pengolahan citra digital 17
8. Perancangan aplikasi antar muka sistem (interface) pengolahan
citra digital tahap ekstraksi dan klasifikasi buah matoa jenis
kuning menggunakan Matlab R2014b. 19
9. Nilai rata-rata dan standar deviasi warna merah (R) buah matoa
jenis kuning seluruh kategori warna kulit 20
10. Nilai rata-rata dan standar deviasi warna hijau (G) buah matoa
Jenis kuning seluruh kategori warna kulit 21
11. Nilai rata-rata dan standar deviasi warna biru (B) buah matoa
14

12. Nilai rata-rata dan standar deviasi indeks warna merah (r)
buah matoa jenis kuning 22
13. Nilai rata-rata dan standar deviasi indeks warna hijau (g)
14. Nilai rata-rata dan standar deviasi indeks warna biru ( b)
15. Nilai rata-rata dan standar deviasi rasio warna (R/G) buah
matoa jenis kuning seluruh kategori warna kulit 23
16. Nilai rata-rata dan standar deviasi rasio warna (R/B) buah matoa
17. Nilai rata-rata dan standar deviasi rasio warna (G/B) buah matoa
18. Nilai rata-rata dan standar deviasi warna hue (H) buah matoa
19. Nilai rata-rata dan standar deviasi warna saturation (S) buah
matoa jenis kuning seluruh kategori warna kulit 25
20. Nilai rata-rata dan standar deviasi warna value (V)
buah matoa jenis kuning seluruh kategori warna kulit 26
21. Nilai rata-rata dan standar deviasi rasio warna hue dan
saturation (H/S) buah matoa jenis kuning seluruh kategori
warna kulit 26
22. Nilai rata-rata dan standar deviasi rasio warna hue dan value
(H/V) buah matoa jenis kuning 26
23. Nilai rata-rata dan standar deviasi rasio warna saturation dan
value (S/V) buah matoa jenis kuning seluruh kategori warna
kulit. 27
24. Hubungan berat (gram) dan area citra (piksel) buah matoa
jenis kuning 27
25. Perancangan antar muka sistem tahap klasifikasi kelas mutu buah
matoa jenis kuning berdasarkan algoritma pemutuan dari parameter
mutu berat (gram), area (piksel), rasio warna R/B dan H/V
menggunakan Matlab R2014b 30
26. Contoh hasil pemutuan buah matoa jenis kombinasi hasil pemutuan
berdasarkan berat (gram), area (piksel), rasio warna R/B dan H/V
kode kelas mutu A1,A2,A3,B1,B2,B3,C1,C2,C3 31
27. Diagram alir algoritma pemutuan buah matoa jenis kuning
berdasarkan area (piksel) dan berat (gram) dan berdasarkan rasio
warna R/B, dan H/V 32
DAFTAR LAMPIRAN
1. Hasil pengukuran parameter mutu fisik buah matoa jenis kuning
secara manual 38
2. Hasil pengukuran parameter mutu visual buah matoa jenis kuning
menggunakan pengolahan citra digital 38
15
3. Hasil pengukuran parameter mutu visual buah matoa jenis kuning

berdasarkan warna rgb, rasio warna rgb, indeks rgb, warna hsv
dan rasio warna HSV menggunakan pengolahan citra digital 38
4. Koding program aplikasi pengolahan citra buah matoa jenis
kuning pada Matlab R2014b 41
5. Konversi model warna citra buah matoa jenis kuning dari RGB
ke HSV dan HSV ke RGB 62
16
1
1 PENDAHULUAN
Latar Belakang
Standar perdagangan produk hortikultura saat ini mengharuskan petani

produsen, pedagang, exportir dan pelaku jasa hortikultura untuk menerapkan
standar mutu pascapanen produk hortikultura hingga benar-benar memenuhi
kriteria bermutu, bermanfaat, memberikan keuntungan terhadap produsen, petani
produsen, pedagang dan konsumen secara berkelanjutan ( UU. No 8 Tahun 1999;
SK Kementan No.58 tahun 2007).
Buah matoa telah menjadi produk hortikultura yang digemari oleh seluruh
masyarakat Indonesia, pemasarannya telah menyebar dari pasar rakyat hingga di
berbagai supermarket dan memiliki potensi pengolahan lanjutan berupa sirup, jus
dan olahan lain yang bermanfaat, bernilai komersial dan menjadi peluang
ekonomi baru skala rumah tangga atau industri dan berpotensi sebagai buah
eksport. Manfaat lain dari pohon matoa adalah ekstrak daun dan kulit batang
pohon matoa diketahui mengandung senyawa flavonoid, tanin, triperna, saponin
dan anti oksidan (Trimodema et al 2015; Purwidyaningrum et al 2016 ; Rahima
et al 2013; Faustina et al 2014), dan sebagai anti bakteri Stapilococus aerous
(Ngajow 2013), anti HIV (Suedee et al 2015) dan obat analgesik (Lumintang et
al 2015). Kandungan senyawa metabolit sekunder kulit batang pohon matoa
diduga berperan sebagai inhibitor α glukosidase yang dapat membantu mengobati
penyakit diabetes (Matupun et al 2013). Kulit buah matoa mengandung zat anti
kanker (Ainissya et al 2015). Dibidang industri kerajinan limbah serutan kayu
matoa dapat digunakan sebagai zat warna untuk pembuatan kain batik katun
(Agus et al 2017). Tanaman Matoa telah ditetapkan sebagai salah satu tanaman
hortikultura di Indonesia dari 253 jenis tanaman hortikultura yang di tetapkan
(SK Kementan nomor 511 tahun 2006).
Pengolahan citra digital adalah teknologi visual, digunakan untuk
mengamati, mengolah dan menganalisis suatu obyek tanpa berhubungan
langsung dengan obyek tersebut. Teknik pengolahan citra digital untuk mengenal
ciri secara akurat, cepat, praktis dan dalam jumlah besar tanpa merusak bahan
tersebut merupakan salah satu pilihan proses sortasi produk segar hortikultura
dewasa ini (Ayman et al 2012).
Ciri dan parameter visual warna yang digunakan dalam proses
pengolahan citra digital pada buah matoa jenis kuning adalah meliputi dimensi
buah matoa yaitu area, diameter dan panjang. Pengukuran area, diameter dan
panjang dilakukan dengan terlebih dahuluh mengubah citra warna menjadi citra
grayscale dan citra biner dengan nilai threshold tertentu untuk membedakan citra
obyek dan latar belakang, perhitungan luas area obyek dengan menghitung jumlah
piksel obyek. Parameter mutu visual yang diukur meliputi warna menggunakan
model warna primer yaitu warna merah, hijau dan biru (RGB) dan komponen
warna hue, saturation dan value (HSV). Indeks warna merah, hijau dan biru
(r,g,b) yang diperoleh dari citra warna yang telah disegmentasi kemudian
dinormalisasi untuk memperoleh nilai index warna merah, hijau dan biru (r,g,b)
dan komponen warna RGB dan selanjutnya dikonversi ke bentuk model warna
HSV. Model warna HSV adalah sistem warna yang merupakan model yang ideal
2
untuk mengembangkan algoritma pemutuan (Ahmad 2005).

Hingga saat ini belum ada standar resmi mutu buah matoa dari berbagai
varietas buah matoa sesuai kriteria SNI atau ketentuan lain yang berlaku yang
dapat dipakai sebagai acuan untuk berbagai keperluan perdagangan dan
kebutuhan konsumen, sehingga diperlukan upaya-upaya untuk membuat standar
mutu buah matoa yang secara langsung dapat digunakan oleh semuah pihak.
Tujuan
1. Mempelajari parameter mutu visual buah matoa jenis kuning menggunakan

pengolahan citra digital.
2. Mengembangkan metode pemutuan buah matoa jenis kuning menggunakan
Manfaat Penelitian
Hasil kajian kelas mutu buah matoa jenis kuning hasil pengolahan citra
digital dapat digunakan sebagai acuan untuk konsumen, petani, pedagang
domestik, maupun eksportir buah matoa.
Ruang Lingkup Penelitian
Analisis parameter mutu visual buah matoa jenis kuning menggunakan

2 TINJAUAN PUSTAKA
Buah Matoa
Tanaman matoa tergolong dalam famili Sapindaceae, genus pometia, spesies

pometa pinnata dan dibedakan dalam tiga jenis berdasarkan sifat dan ciri cirinya
yaitu P.acuminate Radkl dan P. corriaceae Radkl dan Pometia pinnata Forst.
Tanaman matoa merupakan tipikal tanaman buah dari wilayah Asia Pasifik, jenis
ini merupakan jenis khas hutan hujan dataran rendah dengan ketinggian 500
meter dibawah permukaan laut (dpl), jarang mencapai 1000 m dpl, dan secara
alami tumbuh berkelompok pada tempat-tempat tertentu, Pometia pinnata Forst
mempunyai ciri berdaun lebar, buahnya dapat dimakan, tinggi bebas cabang
umumnya sekitar 10 meter, Pometia acuminata Radlk dan Pometia corriaceae
memiliki ciri berdaun kecil tinggi bebas cabang lebih dari 10 meter, tajuk bulat
diameter batang rata-rata 100 cm (Thomson et al 2006). Tanaman matoa telah
ditetapkan sebagai salah satu jenis tanaman hortikultura di Indonesia dari 253
jenis tanaman hortikultura yang di tetapkan (SK Kementan nomor 511 tahun
2006).
3
Morfologi Buah Matoa
Pohon matoa berbunga, berbuah sekali setahun yaitu pada bulan Juli –
Oktober, 3 - 4 bulan kemudian dapat dipanen. Bila berbunga pada bulan
Desember buahnya dapat dipetik pada bulan Februari - Maret, umumnya dipanen
berupa buah petikan atau buah masih dalam rangkai, kadang-kadang pohon matoa
dapat berbunga, berbuah 2 kali dalam setahun. Buah matoa jenis kuning, hijau
dan merah memiliki buah normal dan buah ganda dan adapula yang berukuran
kecil (abnormal) yang melekat di bawahnya, ± ⅓ kali ukuran buah normal
(Wambrau 2011). Kulit luar kasar, agak tipis, kulit tengah agak tebal dan bersari
putih, semi transparan, rasa manis dengan sedikit rasa klengkeng, rambutan,
durian dan cempedak.
Buah matoa jenis kuning, hijau dan merah berbentuk oval terdiri dari kulit,
daging buah dan biji dengan ukuran, warna kulit buah yang berbeda-beda sesuai
jenisnya yaitu Pometia pinnata Forst diameter buah 2.2 - 2.9 cm, diameter biji
1.25 - 1.40 cm, buah muda berwarna hijau, setelah tua berwarna kuning
kemerahan, hingga coklat. Pometia corriaceae Radlk diameter buah 1.7-2.4 cm,
buah muda berwarna hijau cerah, buah matang berwarna hijau tua. Pometia
acuminata Radlk diameter buah 1.4-2 cm, buah mudah berwarna hijau buah
matang berwarna merah kehitaman (Karyaatmaja et al 1997).
Parameter pembeda buah matoa yang berlaku pada masyarakat (Papua)
adalah buah matoa hijau dengan sebutan matoa kelapa, buah matoa kuning atau
dengan sebutan matoa papeda dan buah matoa merah. Jenis merah dan kelapa di
cirikan dengan daging buah yang kenyal dan lepas biji sedangkan jenis matoa
papeda berwarna kuning miliki ciri daging buah melekat pada biji. (Lewaherilla
2001).
Tabel 1 Parameter pembeda buah matoa berdasarkan jenis

Jenis Warna kulit Warna kulit Diameter Jenis
sebelum setelah matang
matang
Matoa hijau Hijau cerah Hijau tua 1.7 - 2.4 cm Kelapa
Matoa kuning Hijau Kuning 2.2 2.9 cm Papeda
Matoa merah Hijau Merah kehitaman 1.4 - 2 cm Merah
Sumber : Lewaherilla 2001
4
Buah ganda
Biji
Tangkai
Daging buah buah Kulit buah
Gambar 1 Morfologi buah matoa jenis kuning
Tabel 2 Beberapa sifat fisik dan kandungan gizi buah matoa

Sifat/kandungan gizi Keterangan
Bentuk buah Bulat oval
Warna dasar kulit Hijau (matoa, kelapa)
Kuning (Matoa Papeda)
Warna biji Merah kehitaman (matoa merah)
Coklat kemerahan
Sifat daging kenyal (matoa kelapa, dan merah)
daging buah Melekat pada biji
(matoa papeda)
Diameter buah 2 - 3.2 cm
Panjang buah 5 - 6 cm
Ukuran buah/kg 60 - 75 buah/ kg
Rasa Manis segar
Buah yang dapat dimakan (%) 48 - 52
Proksimat 70 - 80,5
Air (%) 0.9 -1.1
Protein (%) 0,49 - 0,8
Abu (%) 0.75 - 0.82
Karbohidrat (%) 15 - 23
Vitamin C (mg/10gr) 17 - 31 mg/100 gr
Sumber : Lewaherilla (2001).
Kriteria Standar Mutu Buah Matoa
Sistem manajemen mutu dan keamanan pangan dapat mencakup standar

untuk parameter mutu dan keamanan. Standar disusun berdasarkan konsensus
semua pihak yang terkait dengan memperhatikan syarat-syarat diantaranya
perkembangan ilmu dan teknologi serta pengalaman dan produsen diharapkan
menghasilkan produk dengan standar tertentu ( Sukesi et al 2013).
Terdapat lima komponen pokok kualitas produk panenan hortikultura,
yaitu kualitas penampilan (visual), kualitas rasa (flavour), kualitas nutrisi dan
tekstur serta keamanan (food safety). Beberapa metode evaluasi kualitas produk
panenan dilakukan dengan metode destruktif (merusak) evaluasi dilakukan
5
dengan cara merusak komoditi dan metode non-destruktif evaluasi dilakukan

dengan cara tidak merusak komoditi (Raharja 2005).
Sesuai Permentan No. 58 / Permentan / OT.140 / 8 / 2007 tentang sistem
standarisasi Nasional di bidang pertanian bahwa untuk mendapatkan sertifikat
sistem mutu, pelaku usaha di bidang pertanian wajib memenuhi persyaratan
sistem manajemen mutu produk pangan segar atau non pangan yang ditetapkan
pada standar di bidang pertanian.
Jaminan mutu pangan produk pertanian harus memenuhi sistem mutu
berdasarkan Prinsip-prinsip HACCP (Sulaiman 2017), berdasarkan konsepsi SNI
01-4852-1998 atau sistem pangan organik atau SNI 01-6729-2002 atau sistem
mutu ISO 22000 : 2005 tentang sistem mutu keamanan pangan. Standarisasi
mutu produk yang berkaitan dengan kenampakan, seperti ukuran besar/volume,
warna, kandungan air dan sebagainya yang ditentukan oleh penjual dan pembeli.
Selain itu mutu produk juga dikaitkan dengan masalah keamanan pangan,
keamanan bagi manusia, hewan dan tumbuhan serta lingkungan serta sistem
ketelusuran (Permentan No 20 tahun 2010).
Standar Mutu Buah Matoa
Pemutuan buah matoa jenis kuning dilakukan secara manual dengan

standar mutu acuan adalah standar mutu buah rambutan (SNI 01-3210-1992),
CODEXSTAN 246:2005 rambutan; standar mutu duku (SNI 6151: 2009) karena
masih dalam satu famili (Sapindaceae) tetapi juga standar yang berlaku di tingkat
petani dan pedagang buah matoa, selanjutnya dilakukan pengukuran secara
manual (destruktif) dan dengan metode pengolahan citra digital. Standar ini
berlaku untuk varietas komersial buah matoa jenis kuning dari famili
Sapindaceae yang dipasarkan untuk konsumsi segar setelah penanganan dan
pengemasan sebagai berikut :
Ketentuan Umum Standar Mutu Buah Matoa

Untuk produk buah segar hortikultura terdapat 46 SNI (Kementan RI.
Subdit PPHP 2014), tetapi sampai saat ini buah matoa belum memiliki standar
mutu baku yang termuat dalam SNI atau ketentuan mutu lainnya yang berlaku.
Kategori parameter mutu buah matoa sebagai berikut: Berdasarkan
jenisnya buah matoa dibedakan menjadi matoa papeda, matoa kelapa,
berdasarkan warna matoa dibedakan menjadi buah matoa berwarna merah, buah
matoa berwarna kuning dan buah matoa berwarna hijau, berdasarkan bentuk
panenan untuk dijual dibedakan menjadi buah matoa petikan dan buah matoa
dengan rangkai.
Ketentuan Minimum Standar Mutu Buah Matoa

Ketentuan minimum standar mutu untuk semua kelas buah termasuk buah
matoa yang harus dipenuhi (SNI 6151.2009;CODEXSTAN 246: 2005 rambutan)
antara lain:
1. Utuh
2. Penampilan segar
3. Layak dikonsumsi
4. Bersih
6
5. Bebas dari hama dan penyakit

6. Bebas dari kerusakan akibat temperatur rendah atau tinggi
7. Bebas dari kelembaban eksternal yang abnormal
8. Kecuali pengembunan sesaat setelah pemindahan dari tempat
penyimpanan dingin.
9. Bebas dari aroma dan rasa asing
Kelas Mutu Buah Matoa
Kriteria Kelas Mutu Buah Matoa

Buah matoa jenis kuning digolongkan dalam kelas mutu yaitu kelas
Kelas A, kelas B dan C dengan rincian seperti pada Tabel 3.
Tabel 3 Kriteria kelas mutu buah matoa

Kelas Kriteria
A Matoa bermutu paling baik bebas dari cacat kecuali cacat sangat kecil.
B Buah matoa bermutu baik dengan cacat sedikit pada kulit seperti lecet,
tergores atau kerusakan mekanis lainnya, penyimpangan sedikit pada
bentuk, cacat tersebut tidak mempengaruhi isi buah. Total area yang
cacat tidak lebih dari 5%.
C Buah matoa bermutu baik dengan cacat sedikit pada kulit seperti lecet
tergores atau kerusakan mekanis lainnya, penyimpangan pada bentuk,
cacat tersebut tidak mempengaruhi isi buah total area yang cacat tidak
lebih dari 10%.
Sumber SNI 6151:2009.
Ketentuan Ukuran
Klasifikasi buah matoa berdasarkan ukuran meliputi ukuran berat per
buah dan jumlah buah perkilogram (acuan SNI Duku. SNI. 6151:2009)
Parameter Mutu Fisik dan Kimia Buah Matoa

. Selama penyimpanan terjadi degradasi pektat, lignin, selulosa dan
hemiselulosa oleh aktivitas enzim pectin metil esterase dan poligalakturonase
dalam proses pematangan buah sehingga terjadi perubahan tekstur dari keras
menjadi lunak (Kartasapoetra 1994), prinsip ini di pakai sebagai dasar untuk
menilai kualitas buah berdasarkan tingkat kekerasan (tekstur). Perubahan
komponen kimia terbesar dalam pematangan adalah perubahan karbohidrat yang
menyebabkan perubahan rasa dan tekstur buah, semakin matang buah semakin
tinggi kadar gula. Karena gula merupakan zat yang dominan dalam bahan padat
yang terlarut pada buah maka tingkat kematangan sering ditentukan dengan
soluble solid (Purba et al 1987).
Pada awal pertumbuhan buah, konsentrasi gula total, gula reduksi dan
bukan reduksi sangat rendah tetapi saat proses pemasakan, gula total meningkat
tajam dalam bentuk glukosa dan fruktosa. Naiknya kadar gula yang tiba-tiba ini
dapat digunakan sebagai indeks kimia kemasakan. Pada saat pemasakan buah
7
terjadi peningkatan respirasi, produksi etilen serta terjadi akumulasi gula sehingga
dijadikan indikator total padatan terlarut (TPT). Semakin banyak jumlah total
padatan terlarut akan semakin lama daya simpan produk tersebut. Buah terus
mengalami respirasi yang menghasilkan H2O, semakin lama disimpan tanpa
perlakuan produk tersebut akan berkurang total padatan terlarutnya karena
diuraikan menjadi air selama proses respirasi, total padatan terlarut dapat
digunakan untuk megindikasikan kelayuan atau kebusukan produk. Total
pengurangan berat pada bahan hasil pertanian terutama buah-buahan mempunyai
korelasi positif dengan jumlah gas CO2 dan air yang dilepaskan. Penguapan air
dari produk hortikultura adalah suatu proses yang terus menerus pada semua buah
dan sayuran, hal ini merupakan penyebab kehilangan berat secara langsung.
Pengaruh yang lebih nyata akibat kehilangan air adalah perubahan pada rupa
(penampakan), kelayuan atau pengkerutan (Kartasapoetra 1994).
Pengolahan Citra Digital
Citra adalah gambar pada bidang dua dimensi, merupakan sebuah gambar
yang merepresentasikan suatu obyek. Sebuah citra juga dapat dipandang sebagai
sebuah array atau matriks, piksel persegi (elemen gambar) yang diatur dalam
kolom dan baris, masing-masing menunjukkan array dari piksel dalam baris dan
kolom pada koordinat (x, y). Apabila dipandang dari sisi matematis, citra
merupakan fungsi yang kontinyu dari kumpulan intensitas cahaya pada bidang
dua dimens (Prasetyo 2011; Priyanto 2017). Pengolahan citra digital (digital
image processing) adalah sebuah teknologi visual yang digunakan untuk
mengamati dan menganalisis suatu obyek tanpa berhubungan langsung dengan
obyek tersebut. Teknologi ini dapat dimanfaatkan untuk evaluasi mutu suatu
produk tanpa merusak produk itu sendiri non-destructive evaluation (NDE).
Proses pengolahan citra dan analisisnya banyak melibatkan persepsi visual
(Ahmad 2005). Data masukan dan keluaran yang dihasilkan oleh proses ini
adalah dalam bentuk citra. Citra yang digunakan adalah citra digital, yang dapat
diproses oleh komputer digital. Citra digital diperoleh secara otomatis dari
sistem penangkapan citra digital dan membentuk suatu matriks yang menyatakan
intensitas cahaya pada suatu himpunan diskrit dari suatu titik.
Pengembangan algoritma pengolahan citra sangat dipengaruhi beberapa
perangkat keras untuk proses digitasi citra (image digitizing) seperti sensor citra
(image censor). Sensor citra digunakan untuk menangkap pantulan cahaya obyek
kemudian disimpan dalam bentuk nilai intensitas dalam memori komputer
(Ahmad 2005). Jenis sensor citra yang banyak digunakan adalah solid-state
image censor karena mempunyai banyak kelebihan seperti konsumsi daya listrik
yang kecil ukurannya kecil dan kompak serta tahan guncangan, sebuah kamera
TV umumnya terdiri atas satu atau lebih sensor citra, sebuah lensa, dan rangkaian
komponen lain, seperti pembangkit scanning, penguat (amplifier) dan rangkaian
pemroses sinyal. Sinyal yang dihasilkan oleh kamera TV adalah berupa sinyal
analog sehingga perlu dikonversi menjadi sinyal digital dengan menggunakan
analog-digitalconverter (ADC). Selanjutnya sinyal digital keluaran ADC
ditransmisikan ke memori komputer untuk membentuk citra digital (Ahmad
2005).
8
Citra (gambar) digital adalah citra yang dapat dibaca dan diekspresikan
secara akurat oleh komputer digital, tersusun dari kumpulan piksel-piksel dalam
larik dua dimensi (x, y). Sebuah piksel merupakan bagian terkecil dari suatu
citra. Setiap piksel diwakili oleh dua buah bilangan bulat (integer) yang
menunjukkan lokasi piksel tersebut dalam suatu citra dan sebuah bilangan bulat
untuk menunjukkan intensitas cahaya dari piksel tersebut. Jika ada sebuah citra
dengan ukuran m x n piksel maka dalam memori komputer, citra tersebut akan
tersimpan dalam bentuk array ( m-1, n-1). Berdasarkan intensitas cahaya yang
dimiliki oleh piksel dalam sebuah citra, citra digital dibagi menjadi tiga macam
yaitu citra warna, citra abu-abu dan citra biner (Ahmad 2005; Prasetyo 2011;
Priyanto 2017)
Image frame Graber
TV Camera A/D Converter Frame Memory
lampu
Algoritma pengolahan citra
Gambar 2 Bagan alir pengolahan citra digital (Ahmad 2005)
F(xy) =
..(1)
[ ]
Citra Biner
Citra biner adalah citra yang dihasilkan dari proses binerisasi. Setiap
piksel dalam suatu citra biner 8-bit hanya memiliki dua intensitas warna yaitu 0
(hitam) atau 255 (putih). Dimana piksel dengan intensitas warna 0 dikelompokkan
ke dalam latar belakang dan piksel dengan intensitas warna 255 adalah piksel
obyek (Ahmad 2005; Priyanto 2017).
Citra Abu-abu (Citra Grayscale)

Informasi intensitas dalam suatu citra digital dapat disimpan dalam bentuk
gray values atau nilai abu-abu (Nurhasanah 2005, Priyanto 2017). Apabila citra
disimpan dalam memori 8-bit maka setiap piksel dalam citra tersebut akan
9
mengandung nilai intensitas antara 0 - 255. Pada komputer, piksel dengan nilai
intensitas 0 berwarna hitam, intensitas 255 berarti warna putih sedangkan nilai
antara 0 - 255 adalah warna abu-abu (gabungan warna hitam dan putih) (Ahmad
2005; Priyanto 2017).
Citra Warna
Model warna RGB menggunakan dasar tiga buah warna pokok yaitu Red
(merah), Green (hijau) dan Blue (biru). Suatu citra warna yang disimpan dalam
memori 8-bit, setiap pikselnya akan mengandung informasi intensitas tiga buah
yaitu warna RGB dengan selang nilai 0 - 255. Model warna RGB, intensitas
warna setiap piksel pada suatu citra dapat diubah dalam bentuk indeks warna yaitu
indeks warna merah (r), indeks warna hijau (g) dan indeks warna biru (b). Proses
ini dinamakan normalisasi dengan cara perhitungan seperti pada Persamaan 2 - 4
(Ahmad 2005 )
....................................................................................(2)
....................................................................................(3)
....................................................................................(4)
Dimana RGB adalah nilai intensitas warna merah, hijau dan biru dari sebuah
model warna aditif yang digunakan pada sistem display (warna pokok) atau
visible light pada panjang gelombang 380 - 780 µm, berada diantara gelombang
ultra violet dan Infrared. Sedangkan r, g, b adalah indeks warna merah, hijau dan
biru (Ayman et al 2012; Priyanto 2017).
Model warna HSV mendefiniskan warna dalam terminologi Hue,
Saturation, dan Value. Sebuah model warna yang lebih baik digunakan dalam
pengolahan citra dan computer vision, Hue menyatakan warna sebenarnya, seperti
merah, violet, dan kuning. Hue digunakan untuk membedakan warna-warna dan
menentukan kemerahan, Kehijauan dari cahaya. Hue berasosiasi dengan panjang
gelombang cahaya. Saturation menyatakan tingkat kemurnian suatu warna, yang
mengindikasikan berapa banyak warna putih diberikan pada warna. Value adalah
atribut yang menyatakan banyaknya cahaya yang diterima oleh mata tanpa
memperdulikan warna. Selain itu jarak warna HSV adalah murni dan konsepnya
yang hampir seragam maka proses kuantitasi pada HSV dapat dihasilkan dari
mengumpulkan warna yang padat dan lengkap. Nilai hue antara 0 sampai 1
berarti warna antara merah melewati kuning, hijau, cyan, biru dan magenta dan
kembali menjadi merah. Nilai saturation antara 0 sampai 1 berarti dari tidak
tersaturasi (keabuan) sampai tersaturasi penuh (tidak putih). Nilai value atau
brightness antara 0 sampai 1 berarti warna semakin cerah (Prasetyo 2011;
Priyanto 2017).
10
Gambar 3 Model warna RGB (Ayman et al 2012; Prasetyo 2011; Priyanto 2017)
Gambar 4 Model warna HSV (Prasetyo 2011; Priyanto 2017)
Karena model warna HSV merupakan model warna yang diturunkan dari
model warna RGB, maka untuk mendapatkan warna HSV ini kita harus
melakukan proses konversi warna dari RGB ke HSV. Cara untuk mendefinisikan
warna yang didasarkan pada roda warna, dimana hue merupakan variable yang
menyatakan warna dari merah hingga violet. Dengan mengukur sudut sekitar
roda wana (merah pada 0 - 120° di hijau dan biru di 240°). Nilai dari hue berkisar
antara 0° sampai dengan 360°. Saturation merupakan variabel yang menyatakan
vibrancy dari suatu warna saturation bisa disebut juga dengan purity. Semakin
11
kecil saturation maka warna semakin condong ke abu-abu, skala Saturation

berkisar antara 0% hingga 100%. Value menunjukkan nilai kecerahan berkisar
antara 0% hingga 100%. Model HSV memisahkan komponen intensitas dari citra
warna, sehingga model ini merupakan model yang ideal untuk mengembangkan
algoritma pemrosesan citra yang intuitif dan natural (Ahmad 2005; Priyanto
2017). Perhitungan konversi RGB menjadi HSV dapat dirumuskan sebagai
berikut (Ahmad 2005; Ayman et al 2012; Priyanto 2017).
V = Max (R,G,B)………………………….….……………………..(5)
Vm = V-min (R,G,B)……………………………………………….....(6)
0 jika V = 0
{ ………………….……….……………. .(7)
( )
H= …………...……..………(8)
( )
{ ( )
Aplikasi Pengolahan Citra Digital Pada Bidang Pertanian
Penelitian Ahmad (2009) melakukan pemutuan buah jeruk Pontianak

berdasarkan ukuran dan warna menggunakan pengolahan citra digital. Sulistyo
(2008) melakukan pemutuan buah jeruk Pontianak dengan teknik pengolahan citra
digital. Nurhasanah (2005) dalam kajian tingkat ketuaan kematangan buah
manggis dengan pengolahan citra digital dan jaringan saraf tiruan, hasil kajiannya
menyimpulkan bahwa indeks warna merah, komponen warna HSI, dan fitur
entropi, dapat digunakan untuk membedakan tingkat ketuaan dan kematangan
manggis. Jayme et al (2016) mengidentifikasi berbagai penyakit tanaman
menggunakan citra digital, menggunakan transformasi warna, histogram warna
berbasis warna berisi database gambar gejala dari 82 cekaman biotik yang
berbeda yang mempengaruhi daun. Studi ini memungkinkan untuk dilakukan
investigasi penyakit tanaman menggunakan citra digital. Jayme et al (2016)
menggunakan citra digital untuk menghitung jumlah lalat putih pada daun kacang
kedelai. Studi ini berhasil menghitung lalat putih pada daun kacang kedelai, dan
jenis kelamin serta nimfa. Malay et al (2016) mengklasifikan buah anggur yang
mengalami perlakuan pestisida dan yang tidak, beberapa fitur diskriminatif yang
diambil dalam domain frekuensi menggunakan Haar filter. Fitur yang dipilih
sampai ke tingkat ketiga dari dekomposisi domain dan dianalisis pola
diskriminatif. Variasi dalam fitur gambar terkait dengan perbedaan antara anggur
dengan perlakuan pestisida dan anggur tidak mengalami perlakuan pestisida.
Fitur-fitur statistik kemudian dianalisis untuk identifikasi konten pestisida dalam
sampel menggunakan vektor SVM. Hasil percobaan menunjukkan bahwa metode
yang diusulkan efisien untuk identifikasi anggur yang terpapar perlakuan
pestisida dan yang tidak terpapar pestisida. Akurasi identifikasi pestisida pada
anggur dan waktu komputasi yang cepat membuat metode ini cocok sebagai
12
aplikasi real time untuk pengendalian kualitas buah anggur. Walter et al (2016)
melakukan penghitungan jumlah buah jeruk hijau pada pohon menggunakan
pengolahan citra digital. Pengembangan metode extraksi fitur buah jeruk hijau
dengan teknik konversi warna, thresholding dan histogram equalization
penyaringan spasial laplace, sobel operator, blur Gausian dengan algoritmanya
dapat menghitung jumlah buah jeruk hijau pada pohon dengan tingkat akurasi
diatas 90%.
Kajian parameter mutu buah matoa jenis kuning menggunakan pengolahan
citra digital dan pengembangannya dapat memberikan data dan informasi mutu
buah matoa jenis kuning dan dapat merumuskan algoritma dan model aplikasi
pemutuan buah matoa terbaru yang dapat di manfaatkan dan diterapkan oleh
berbagai kalangan,baik pemerintah, petani produsen, exportir buah, dan pelaku
jasa hortikultura. Studi ini memungkinkan untuk dilakukan investigasi penyakit
tanaman menggunakan citra digital.
III METODE PENELITIAN
Waktu dan Tempat Penelitian
Penelitian ini dilaksanakan pada bulan Agustus 2016 - Januari 2017 di

Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian, Departemen
Teknik Mesin dan Biosistem, Institut Pertanian Bogor.
Alat dan Bahan
Bahan yang digunakan dalam penelitian ini adalah buah matoa jenis
kuning matang fisiologis sebanyak 203 buah dengan kategori buah petik bentuk
tunggal atau ganda berasal dari Timika Papua dan Kab Bogor.
Alat-alat yang digunakan dalam penelitian ini adalah :
1. Kamera CCD (Charge Couple Device) warna, merk VED model OC-305 D.
2. Image frame grabber, merk PXC 200A, resolusi maximum PAL/SECAM 768
32 m piksel.
3. Personal komputer (PC) dengan prosesor intel pentium IV
4. Lampu TL 4 buah @ 7 watt (120-240 volt)
5. Timbangan digital, merek Metler PM - 4800
6. Jangka sorong
7. Refraktometer digital merek Atago PR - 201
8. Rheometer, model CR.
Prosedur Penelitian
Penelitian ini terdiri dari 2 tahap yaitu tahap 1 mengindentifikasi

parameter mutu buah matoa jenis kuning yang berlaku ditingkat petani dan
pedagang. Tahap 2 pengukuran parameter mutu fisik secara manual dan
pengukuran parameter mutu visual menggunakan pengolahan citra digital.
13
Pengukuran Parameter Mutu Fisik Buah Matoa Secara Manual

Sampel buah matoa jenis kuning sebanyak 203 buah, proses pengukuran
parameter mutu fisik secara manual mengikuti urutan yaitu pengukuran berat
(gram), panjang (cm) diameter (cm), kekerasan (kg/cm2) dan total padatan terlarut
(% brix) sebagai berikut:
1. Pengukuran berat (gram) menggunakan timbangan digital.
2. Pengukuran panjang (cm), diameter buah (cm), menggunakan jangka sorong.
Pengukuran pada tiga titik tengah dan bawah.
3. Pengujian kekerasan (kg/cm2) menggunakan rheometer, dilakukan pada tiga
titik yang berbeda yaitu atas, tengah dan bawa
4. Pengukuran total padatan terlarut (% brix) diukur menggunakan
refraktometer dengan cara mengiris daging buah, cairan buah matoa diteteskan
pada refraktometer. Pengukuran dilakukan sebanyak tiga kali pengulangan
Mula
i
Buah matoa jenis kuning matang fisiologis
Alat dan bahan disiapkan
Pengukuran diameter (cm), berat (gram), tinggi (cm), kekerasan

(kg/cm2), pengukuran total padatan (% brix).
Penggolongan kelas mutu
Hasil Pemutuan
selesai
Gambar 5 Diagram alir proses pengukuran parameter mutu buah matoa

jenis kuning secara manual.
Pengukuran Parameter Mutu Visual Buah Matoa Jenis Kuning

Menggunakan Pengolahan Citra Digital
Citra buah matoa jenis kuning sebanyak 203 buah direkam
menggunakan kamera digital. Pengambilan gambar dilakukan dua arah yakni
arah pangkal dan arah samping. Dengan pertimbangan seluruh area vertikal dan
horisontal buah secara keseleruhan terekam oleh kamera pada kondisi sebagai
berikut:
1. Buah matoa jenis kuning diletakkan di atas kain putih untuk latar belakang
dan terfokus oleh kamera digital dengan jarak sekitar 15 cm (jarak dilakukan
dengan cara coba-coba). 4 buah lampu TL diletakan pada ketinggian sekitar
41 cm di atas buah matoa, sudut pencahayaan 12° terhadap bidang vertikal.
14
2. Citra buah matoa jenis kuning direkam dengan resolusi 800 x 480 piksel dan
256 tingkat intensitas cahaya RGB menggunakan kamera CCD pengambilan
hanya dilakukan pada satu sisi.
3. Hasil rekaman disimpan menggunakan Matlab dengan file berekstensi JPEG
atau BMP. Pengolahan citra buah matoa dilakukan dengan program komputer
yang telah dibuat terlebih dahulu dengan menggunakan pemrograman Matlab
R2014b untuk menghitung area (piksel), tinggi (piksel), lebar (piksel), dan
nilai intensitas warna obyek yaitu RGB dan HSV dan program pemutuannya
setelah tahapan analisis data dan algoritma pemutuan buah matoa jenis kuning
berhasil dibuat.
Prosedur Pengolahan Citra Digital
Data masukan parameter mutu visual citra buah matoa jenis kuning
diperoleh menggunakan aplikasi program pengolahan citra Matlab R2014b.
Aplikasi program yang telah dibuat selanjutnya diimplementasikan. Pembahasan
implementasi sistem meliputi implementasi antarmuka (interface) sistem,
implementasi tahap akuisisi, pengolahan citra, dan selanjutnya implementasi
klasifikasi setelah dibangun algoritma pemutuan berdasarkan parameter mutu
acuan hasil analisis.
Antar muka sistem dibangun menggunakan form dan kontrol yang
terdapat pada Matlab R2014b. Adapun struktur dan fungsi antarmuka yang
diimplemantasikan untuk proses pengolahan citra buah matoa adalah antarmuka
utama merupakan aplikasi yang berisi menu-menu untuk menampilkan fitur hasil
ektraksi parameter mutu visual buah matoa jenis kuning yaitu Area (piksel), visual
warna kulit RGB dan HSV. Rasio warna RGB dan rasio warna HSV serta grafik
intensitas warna RGB, dan menu khusus untuk menampilkan algoritma
berdasarkan parameter mutu hasil analisis, dan hasil pengkelasan. Juga menu
pendukung proses dan implenetasi sistem (gambar 6, 7, 8 dan Lampiran 4).
Gambaran proses secara umum merupakan gambaran keseluruhan algoritma
proses pada aplikasi pengolahan citra buah matoa yang dilakukan sistem terdiri
dari 7 tahapan yaitu sebagai berikut :
1. Proses akuisisi citra buah matoa jenis kuning yaitu proses pengambilan
citra menggunakan CCD
2. Pengaturan tingkat kecerahan, ketajaman dan proses croping data citra
3. Ekstraksi nilai RGB, indeks warna rgb dan komponen warna HSV
4. Proses segmentasi
5. Konversi citra RGB ke HSV, grayscale dan biner
6. Perhitungan area, ukuran tinggi dan lebar buah buah matoa
7. Data hasil proses pengolahan citra di simpan dengan format file
Berektensi *.m
Pengukuran Warna RGB dan HSV

Warna kulit diukur menggunakan model warna RGB dan HSV. Intensitas
warna merah, hijau dan biru (RGB) yang diperoleh dari citra warna yang sudah
dinormalisasi dengan persamaan (1) sampai (4) untuk memperoleh nilai indeks
15
warna merah, indeks warna hijau dan indeks warna biru (rgb). Komponen warna
RGB selanjutnya dikonversi ke dalam bentuk model warna HSV dengan
menggunakan Persamaan (5) sampai (8) (Prasetyo 2011; Priyanto 2017).
Pengukuran Area
Pengukuran area dilakukan dengan terlebih dahulu mengubah citra warna
menjadi citra grayscale kemudian diubah menjadi citra biner melalui proses
thresholding dengan nilai threshold tertentu untuk membedakan citra obyek dan
latar belakang. Selanjutnya dilakukan perhitungan luas area obyek dengan
menghitung jumlah piksel obyek menggunakan Persamaan (9)
A= ∑ ∑ [ ]................................................................................(9)
Dimana : A = luas area obyek (piksel) ; B[i,j] = lokasi piksel obyek
Mulai MULAI
Citra uji buah

Akuisisi
matoa jenis kuning
citra
Segmentasi dan
croping
Grayscaling
Pre-
processing
Resizing
Binerisasi
Estraksi Fitur
Morfologi dan warna
Simpan data
fitur acuan
Gambar 6 Diagram alir implementasi antar muka ( interface) sistem pengolahan

citra buah matoa jenis kuning menggunakan Matlab R2014b.
16
Evaluasi Hasil Pemutuan Parameter Mutu secara Manual dan

Hasil Pengolahan Citra Digital Buah Matoa Jenis Kuning
Data parameter visual hasil pengolahan citra digital selanjutnya dianalisis

dan ditentukan hubungannya dengan parameter mutu buah matoa (SNI dan non
SNI) yang diukur secara manual, untuk mengetahui tingkat keberhasilan
penggolongan kelas hasil pengolahan citra digital terhadap kelas hasil pengukuran
manual dan untuk meperoleh acuan kelas mutu yang seharusnya menggunakan
formulasi matriks confusion (O Connor A 2015; Prasetyo 2012).
Tabel 4 Parameter Mutu Buah Matoa Jenis Kuning dengan Parameter Mutu
Citra Digital
Parameter
Uraian
Mutu Mutu visual citra
Ukuran Area Area buah mencerminkan ukuran atau berat buah
sesungguhnya. Area ini dicari dengan menghitung
jumlah piksel penyusun buah .
Warna Indeks warna rgb sangat efektif
R G B Indeks mengkarakterisasikan distribusi global dari warna
warna r, g b dan dalam sebuah image komponen warna HSV
komponen warna adalah warna yang sangat efektif
HSV mengkarakterisasikan distribusi warna yang dilhat
oleh mata dalam sebuah image.
Bentuk Panjang Bentuk citra buah matoa jenis kuning yang
dan lebar dihitung berdasarkan letak ordinat (y) buah
sedangkan lebar dihitung berdasarkan pada letak
absis (x) buah.
Untuk menghitung akurasi pendugaan kelas mutu buah matoa jenis kuning
menggunakan pengolahan citra digunakan confusion matriks dengan empat
kategori yaitu true positive (TP), false positive (FP), true negative (TP) dan false
negative (FN). TP merupakan banyaknya data yang kelas aktualnya adalah kelas
positif dengan kelas prediksinya merupakan kelas positif. FN merupakan
banyaknya data yang kelas aktualnya adalah kelas positif dengan kelas
prediksinya merupakan kelas negatif. FP merupakan banyaknya data yang kelas
aktualnya adalah kelas negatif dengan kelas prediksinya merupakan kelas positif.
TN merupakan banyaknya data yang kelas aktualnya adalah kelas negatif dengan
kelas prediksinya merupakan kelas negatif. Nilai akurasi ditentukan berdasarkan
tingkat kedekatan antara nilai prediksi dengan nilai aktual. Dengan mengetahui
jumlah data yang diklasifikasikan secara benar
......................................(10)
17
Mula
i
Sampel buah matoa

Jenis kuning 203
buah
Pengambilan citra Pengukuran diameter
dengan kamera CCD
Citra disimpan dalam format BMP Pengukuran berat
Program pengolahan citra digital Pengukuran

kekerasan
Analisis warna Binerisasi
RGB
Pengukuran TPT
Analisis warna Perhitungan area,
HSV tinggi,diameter
Nilai diameter,berat,
kekerasan,TPT
Nilai warna Nilai area,
RGB,HSV lebar,tinggi,
diameter
Hubungan parameter mutu manual dan parameter visual citra digital
Penggolongan mutu area, warna kulit
Evaluasi hasil pemutuan manual

dan pengolahan citra digital
Penyusunan algoritma pemutuan baru
Selesai
Gambar 7 Diagram alir analisis parameter mutu buah matoa jenis kuning
menggunakan pengolahan citra digital
18
4 HASIL DAN PEMBAHASAN
Parameter Mutu Buah Matoa Jenis Kuning Ditingkat Petani

dan Hasil Pemutuan Secara Manual
Parameter mutu buah matoa jenis kuning di tingkat petani, pedagang dan
konsumen adalah buah matoa berkulit kuning saat matang, sebelum matang kulit
berwarna hijau muda segar, saat matang berwarna kuning segar hingga coklat.
Berdasarkan bentuk dibedakan menjadi buah tunggal dan ganda, buah ganda
dapat berukuran sama besar atau salah satu buah berukuran sangat kecil.
Berdasarkan bentuk panenan untuk dijual dibedakan menjadi buah matoa
petikan dan buah matoa dengan rangkai. Warna buah matoa jenis kuning adalah
buah hijau, hijau-kuning, kuning, kuning-coklat dan coklat seperti pada Tabel 5.
Berdasarkan rasa untuk seluruh jenis buah matoa memiliki rasa buah manis
campuran rasa klengkeng, rambutan, sedikit rasa durian dan cempedak.
Tabel 5 Mutu buah matoa jenis kuning berdasarkan warna kulit
Warna Kulit Buah Deskripsi
Hijau Buah belum matang
Kuning-hijau Buah setengah matang
Kuning Buah matang fisiologis
Kuning-coklat Buah matang fisiologis 4 - 7 hari setelah panen
Coklat Buah matang fisiologis 7 - 21 hari setelah panen
Parameter mutu buah matoa kuning yang dianalisis adalah panjang (cm),
diameter (cm), berat (gram), total padatan terlarut (% brix), kekerasan (kg/cm2).
Hasil pengukuran mutu buah matoa jenis kuning secara manual untuk seluruh
kategori warna kulit meliputi kisaran panjang antara 2 cm - 8 cm, diameter 1.34
cm - 8.30 cm, berat 6.80 gram - 26.60 gram, TPT 10.37 % brix - 31.20% brix,
kekerasan 0.20 kg/cm2 - 6.89 kg/cm2 seperti terinci pada Tabel 6.
Tabel 6 Parameter mutu buah matoa jenis kuning hasil pengukuran manual
Panjang Diameter Berat TPT Kekerasan
(cm) (cm) (gram) (% brix) (kg/cm2)
Rata-rata 3.58 2.88 10.37 21.88 2.80
Maximum 8.30 8.30 26.60 31.20 6.89
Minimum 1.90 1.90 6.80 9.80 0.20
Standar deviasi 1.34 1.34 2.98 3.77 1.30
19
Gambar 8 Perancangan aplikasi antar muka sistem pengolahan citra digital

tahap
ekstraksi fitur buah matoa jenis kuning menggunakan Matlab R2014b
Kelas Mutu Buah Matoa Kuning Berdasarkan Hasil Pengukuran Manual
Berdasarkan nilai rata-rata, maximum, minimum dan standar deviasi

hasil pengukuran manual parameter mutu buah matoa jenis kuning berdasarkan
berat (gram) dapat di kelompokan menjadi 3 kategori kelas mutu yaitu kelas A,
B dan C, seperti terinci pada Tabel 7.
Tabel 7 Kelas mutu buah matoa jenis kuning berdasarkan berat (gram)
Kelas mutu Berat (gram)
A ≥ 12.5
B 9.9 - 12.5
C < 9.5
Hasil Pengukuran Mutu Buah Matoa Jenis Kuning

Menggunakan Pengolahan Citra Digital
Hasil pengukuran parameter mutu visual buah matoa jenis kuning

menggunakan pengolahan citra digital dengan parameter area, intensitas warna
RGB, indeks warna rgb komponen warna HSV rasio warna merah dan hijau
(R/G), rasio warna merah dan biru (R/B) dan rasio warna hijau dan biru (G/B),
rasio hue dan saturation (H/S), rasio warna hue dan value (H/V), rasio warna
saturation dan hue (S/V) adalah sebagai berikut :
20
Luas Area Buah

Kisaran nilai parameter area, adalah luas area maximum 37452 piksel,
minimum 863 piksel dan rata-rata luar area 5451 piksel (Tabel 8)
Tabel 8 Nilai area (piksel) buah matoa jenis kuning

Area (piksel)
Rata-rata 5451
Maximum 37452
Minimum 863
Standar deviasi 5648
Parameter Mutu Visual Warna Kulit Buah Matoa Jenis Kuning
1. Warna Merah, Hijau dan Biru (RGB), Indeks Warna Merah, Hijau,
Biru (r,g,b), dan Rasio Merah Hijau (R/G), Rasio Merah Biru (R/B),
dan Rasio Hijau Biru (G/B).
Nilai rata-rata dan standar deviasi kisaran warna merah (R), hijau (G) dan
biru (B) buah matoa jenis kuning hasil pengukuran menggunakan pengolahan
citra digital seperti pada Gambar 9, 10 dan 11.
Berdasarkan nilai rata-rata dan standar deviasi, nilai maximum minimum
warna merah (R) buah matoa jenis kuning berdasarkan kategori warna kulit
adalah kuning- coklat 157 - 223, kuning-hijau 142 - 209, coklat 140 - 207,
kuning 114 - 207, hijau 106 - 165.
250
200
Warna Merah (R)
150
100
50
0
Hijau Hijau-kuning Kuning Kuning-coklat Coklat
Warna Kulit
Gambar 9 Nilai rata-rata dan standar deviasi warna merah (R) buah
matoa jenis kuning seluruh kategori warna kulit.
Berdasarkan nilai rata-rata dan standar deviasi, nilai maximum
minimum nilai warna hijau (G) buah matoa jenis kuning berdasarkan kategori
warna kulit adalah kuning-hijau 128 - 214, kuning-coklat 142 - 203, kuning 85 -
195, hijau 102 - 179, coklat 121-173.
21
250
200
Rasio Warna Hijau (G)

150
100
50
0
Warna Kulit
Gambar 10 Nilai rata-rata dan standar deviasi warna hijau (G) buah

warna biru (B) buah matoa jenis kuning berdasarkan kategori warna kulit adalah
kuning-hijau 73 - 136, kuning-coklat 76 - 134, kuning 73-136, coklat 70 - 119,
hijau 56 - 97.
160
140
120
Warna Biru (B)
100
80
60
40
20
0
Warna Kulit
Gambar 11 Nilai rata-rata dan standar deviasi warna biru (B) buah
Kisaran nilai rata-rata dan standar deviasi, indeks warna merah (r), hijau
(g) dan biru (b) buah matoa jenis kuning hasil pengukuran menggunakan
pengolahan citra digital seperti pada Gambar 12, 13 dan 14. Berdasarkan nilai
rata-rata dan standar deviasi, nilai maximum minimum warna hijau (r) buah
matoa jenis kuning berdasarkan kategori warna kulit adalah kuning 0.36 - 0.58,
coklat 0.37 - 0.46, coklat-kuning 0.38 - 0.44, kuning 0.36 - 0.43, hijau 0.37 - 0.41
22
0.60
0.50
Indeks Warna Merah (r)

0.40
0.30
0.20
0.10
0.00
Warna Kulit
Gambar 12 Nilai Rata-rata dan standar deviasi Indeks warna merah (r)
buah matoa jenis kuning

indeks warna hijau (g) buah matoa jenis kuning berdasarkan kategori warna kulit
adalah hijau-kuning 0.34 - 0.44, kuning-hijau 0.34 - 0.42, coklat-kuning 0.35 -
0.39, kuning-hijau, coklat 0.36 - 0.36.
0.50
0.45
0.40
Indeks Warna Hijau (g)
0.35
0.30
0.25
0.20
0.15
0.10
0.05
0.00
Warna Kulit
Gambar 13 Nilai rata-rata dan standar deviasi Indeks warna hijau (g)
buah matoa jenis kuning
Berdasarkan nilai rata-rata dan standar deviasi batas nilai maximum

minimum indeks warna biru (b) buah matoa jenis kuning berdasarkan kategori
warna kulit adalah kuning-hijau, coklat 0.18 - 0.27, 0.19 - 0.27, kuning, coklat-
kuning 0.18 - 0.26, hijau 0.18 - 0.25.
23
0.30
0.25
Indeks Warna Biru (b)

0.20
0.15
0.10
0.05
0.00
Warna Kulit
Gambar 14 Nilai rata-rata dan standar deviasi Indeks warna biru ( b) buah
matoa jenis kuning
Nilai rasio warna merah dan hijau (R/G), merah biru (R/B) dan rasio
warna hijau dan biru (G/B) seperti terinci pada Gambar 15, 16 dan 17.
Berdasarkan nilai rata-rata dan standar deviasi batas nilai maximum minimum
rasio warna merah dan hijau (R/G) buah matoa jenis kuning berdasarkan
kategori warna kulit adalah kuning 0.70 - 1.86, coklat 0.04 - 1.32, kuning-hijau
0.87 - 0.26, kuning-coklat 1.02 - 1.19 dan hijau 0.87 - 1.11.
2.00
1.80
1.60
1.40
Rasio Warna R/G
1.20
1.00
0.80
0.60
0.40
0.20
0.00
Warna Kulit
Gambar 15 Nilai rata-rata dan standar deviasi rasio warna R/G buah matoa
jenis kuning seluruh kategori warna kulit.

minimum rasio warna merah dan biru (R/B) buah matoa jenis kuning berdasarkan
kategori warna kulit adalah kuning 1.25 - 6.53, coklat 1.43 - 2.44, coklat-kuning
1.49 - 2.28, kuning-hijau 1.31 - 2.23 dan hijau 1.52 - 2.10. Berdasarkan nilai
rata-rata dan standar deviasi batas nilai maximum minimum rasio warna hijau
dan biru (G/B) buah matoa jenis kuning berdasarkan kategori warna kulit adalah
kuning 0.34 – 9.91, hijau 1.45-2.29, kuning-hijau 1.25 - 1.17 dan coklat 1.32 -
1.90 (Gambar 17).
24
9.00
8.00
7.00
Rasio Warna R/B 6.00
5.00
4.00
3.00
2.00
1.00
0.00
Warna Kulit
Gambar 16 Nilai rata-rata dan standar deviasi rasio warna R/B buah matoa
jenis kuning seluruh kategori warna kulit.
10.00
9.00
8.00
Rasio Warna G/B
7.00
6.00
5.00
4.00
3.00
2.00
1.00
0.00
Warna Kulit
Gambar 17 Nilai rata-rata dan standar deviasi rasio warna hijau dan biru
(G/B) buah matoa jenis kuning seluruh kategori warna kulit.
2. Warna Hue, Saturation, Value (HSV), Rasio Hue dan Saturation

(H/S), Hue dan Value (H/V), Saturation dan Value (S/V)
Nilai rata-rata, maximum, minimum dan standar deviasi warna hue (H),
saturation (S) dan value (V) hasil pengukuran menggunakan pengolahan citra
digital seperti terinci pada Gambar 18, 19 dan 20. Berdasarkan nilai rata-rata
dan standar deviasi batas nilai maximum minimum warna saturation (S) buah
matoa jenis adalah kuning 0.28 - 0.91, coklat 0.31 - 0.60, coklat-kuning, hijau
0.35 - 0.58, kuning-hijau 0.29 - 0.57. Berdasarkan nilai rata-rata dan standar
deviasi batas nilai maximum, minimum warna value (V) buah matoa jenis
kuning berdasarkan kategori warna kulit adalah coklat-kuning,kuning-hijau 0.51
- 0.88, kuning 0.45 - 0.83, coklat 0.57 - 0.81, hijau 0.44 - 0.71.
25
0.30
0.25
Warna Hue (H)

0.20
0.15
0.10
0.05
0.00
Warna Kulit
Gambar 18 Nilai rata-rata dan standar deviasi warna hue (H) buah
1.00
0.90
0.80
Warna Saturation (S)
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0.00
Warna Kulit
Gambar 19 Nilai rata-rata dan standar deviasi warna saturation (S)

buah matoa jenis kuning seluruh kategori warna kulit.
1.00
0.90
0.80
Warna Value (V)
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0.00
Warna Kulit
Gambar 20 Nilai rata-rata dan standar deviasi warna value (V) buah
matoa jenis kuning seluruh kategori warna kuli
Nilai rasio warna hue saturation (H/S), hue value (H/V), dan rasio
saturation dan value (S/V) hasil pengolahan citra digital terinci pada Gambar
26
21,22 dan 23. Berdasarkan nilai rata-rata dan standar deviasi batas nilai
maximum minimum rasio komponen warna hue dan saturation (H/S) buah matoa
jenis kuning, kategori warna kulit adalah kuning 0.21 - 1.33, kuning-hijau 0.07 –
1.05, kuning-coklat 0.13 - 0.54, hijau 0.28 - 0.48, coklat 0.14 - 0.43.
minimum rasio warna hue dan value (H/V) buah matoa jenis kuning berdasarkan
kategori warna kulit adalah kuning 0.06 - 0.62 kuning-hijau 0.11 - 0.60, hijau
0.25 - 0.37, kuning-coklat 0.10 - 0.28, coklat 0.12 - 0.21 (Gambar 22). Nilai rasio
warna warna saturation dan value (S/V) hasil pengolahan citra digital terinci
pada Gambar 23. Berdasarkan nilai rata-rata dan standar deviasi, nilai
maximum minimum rasio warna saturation dan value (S/V) buah matoa jenis
kuning berdasarkan kategori warna kulit adalah kuning 0.21 - 1.33 kuning-hijau
0.07 - 1.05, kuning-coklat 0.13 - 0.54, hijau 0.28 - 0.48 coklat 0.14 - 0.43.
1.20
1.00
Rasio Warna H/S
0.80
0.60
0.40
0.20
0.00
Warna Kulit
Gambar 21 Nilai rata-rata dan standar deviasi rasio warna hue dan
saturation (H/S) buah matoa jenis kuning
0.70
0.60
Rasio Warna H/V
0.50
0.40
0.30
0.20
0.10
0.00
Warna Kulit
Gambar 22 Nilai rata-rata dan standar deviasi rasio warna hue dan value
(H/V) buah matoa jenis kuning
27
2.50
2.00
Rasio Warna S/V

1.50
1.00
0.50
0.00
Warna Kulit
Gambar 23 Nilai rata-rata dan standar deviasi rasio warna saturation dan
value (S/V) buah matoa jenis kuning
Evaluasi Mutu Buah Matoa Jenis Kuning Hasil Pengukuran

Manual dengan Mutu Visual Hasil Pengolahan Citra Digital
Area citra buah matoa jenis kuning berkorelasi positif terhadap berat
dengan koefisien determinasi (R2) sebesar 0.8499 (85%), dengan persamaan
regresi berat (gram) = 0.0005*area (piksel) + 8. 2741.
Gambar 24 Hubungan berat (gram) dan area (piksel) buah matoa jenis kuning
Penggolongan Kelas Mutu Buah Matoa Jenis Kuning

Hasil Pengukuran Manual Berdasarkan Berat Buah (gram)
Berdasarkan nilai rata-rata, standar deviasi dan batas nilai maximum,

minimum berat buah, kelas mutu buah matoa jenis kuning dapat digolongkan
menjadi 3 kategori kelas mutu yaitu kelas mutu A, B, C seperti pada Tabel 9
dengan tingkat keberhasilan penggolongan hasil pengukuran manual sebesar
100%.
28
Tabel 9 Penggolongan kelas mutu buah matoa jenis kuning hasil pemutuan
manual berdasarkan berat (gram)
Kelas mutu Berat (gram) Jumlah buah Persentase (%)
A >12.5 18 8.87
B 9.5 - 12.5 123 60.59
C <9.5 62 31.54
Total 203 100.00%
Penggolongan Kelas Mutu Buah Matoa Jenis kuning

Hasil Pengukuran Berdasarkan Berat (gram) dan Hasil Pengolahan Citra
Digital Berdasarkan Area (piksel)
Karena belum memiliki SNI, buah matoa jenis kuning digolongkan dari
hasil pemutuan berdasarkan berat (gram) dan dari hasil pengolahan citra digital
berdasarkan area (piksel), dimana koefisien determinasi antara parameter
berat(gram) dan area citra (piksel) adalah 85% (R2 = 0.85), sehingga parameter
berat buah (gram) digunakan sebagai kriteria acuan penggolongan kelas mutu
buah matoa jenis kuning. Hasi pengukuran buah matoa jenis menggunakan
pengolahan citra, menggunakan parameter area diperoleh setelah terlebih dahulu
mengkonversi nilai batas parameter area (pisel) ke parameter berat (gram) buah
matoa dengan persamaan regresi berat (gram) = 0.0005*area (piksel) + 8.2741
Tabel 10 Tingkat keberhasilan pemutuan buah matoa jenis kuning berdasarkan

berat (gram) dan pengolahan citra digital berdasarkan area (piksel)
Pengkuran Pengolahan Citra Jumlah Akurasi
Manual A B C Buah (%)
A 14 4 0 18 77.78
B 1 109 13 123 88.62
C 0 35 27 62 43.55
Total 15 148 40 203
Total akurasi (%) 73.89
Penggolongan Kelas Mutu Buah Matoa Jenis kuning

Hasil Pengolahan Citra Digital Berdasarkan Visual Warna Kulit
Penggolongan buah matoa jenis kuning berdasarkan mutu visual warna

kulit menggunakan pengolahan citra digital berdasarkan nilai rata-rata maximum,
minimum dan standardeviasi menunjukan variasi adalah pada nilai rasio R/B dan
rasio warna H/V, sehingga yang dijadikan parameter mutu acuan adalah rasio
warna R/B dan rasio warna H/V dengan hasil pengkelasan sebagai berikut : kelas
1 dengan nilai R/B <2.0 dan H/V< 0.25 adalah kategori warna coklat,coklat-
kuning, kelas 2 dengan nilai R/B > 2.0 adalah kategori warna kulit kuning dan
kelas 3 dengan nilai R/B <2.0 dan H/V > 0.25 adalah buah matoa jenis kuning
kategori warna kulit kuning-hijau dan hijau, dengan akurasi keberhasilan 74.38%
(Tabel 11, 12)
29
Tabel 11 Kelas mutu buah matoa jenis kuning hasil pemutuan berdasarkan nilai
rasio R/B dan rasio H/V
Kelas Mutu Visual warna Warna Kulit
1 R/B < 2.0 dan H/V < 0.25 Coklat, coklat-kuning
2 R/B > 2.0 Kuning
3 R/B < 2.0 dan H/V > 0.25 Kuning-hijau, Hijau
Tabel 12 Tingkat keberhasilan pemutuan buah matoa jenis kuning hasil

pengolahan citra digital berdasarkan nilai rasio R/B dan H/V
Manual Pengolahan Citra Jumlah Akurasi

1 2 3 Buah (%)
1 91 14 10 115 79.13
2 1 9 6 16 56.25
3 20 1 51 72 70.83
Total 112 24 67 203
Hasil Pemutuan dan Algoritma Pemutuan Buah Matoa Jenis Kuning Hasil
Pengolahan Citra Digital Berdasarkan Berat (gram), Area (piksel), Dan
Nilai Rasio Warna R/B dan H/V
Kelas mutu buah matoa jenis kuning berdasarkan berat (gram), area
(piksel) menghasilkan tiga kategori kelas mutu yaitu kelas A, B dan C dengan
rincian kelas A jika berat buah matoa diatas 12 gram dan luas area diatas 9318
piksel, kelas B jika berat 9.5 - 12.5 gram dan luas area 1584 - 9318, kelas C jika
berat di bawah 9.5 gram dan area dibawah 1584 piksel dengan akurasi
keberhasilan 73.89% (Tabel 10).
Kelas mutu buah matoa jenis kuning menggunakan pengolahan citra
digital berdasarkan nilai R/B dan H/V, menghasilkan 3 kategori kelas mutu yaitu
kelas mutu 1, 2 dan3, dengan rincian kelas 1 warna kulit coklat, coklat- kuning,
kelas mutu 2 warna kulit kuning dan kelas mutu 3 warna kulit kuning-hijau dan
hijau dengan tingkat akurasi keberhasilan 74.38% (Tabel 12)
Kombinasi kelas mutu berdasarkan berat (gram), area (piksel) dan visual
warna kulit berdasarkan nilai rasio R/B dan H/V mneghasilkan 9 kategori kelas
mutu baru yaitu kelas mutu A1, A2, A3, B1, B2, B3, C1, C2, C3 dengan tingkat
akurasi keberhasilan 52 %, dengan rumusan algoritma pemutuan seperti pada
(Tabel 14). Gambar 25, 26, 27. Koding program pengolahan citra buah matoa
terdapat pada lampiran 4.
30
Tabel 13 Algoritma pemutuan buah matoa jenis kuning berdasarkan berat

(gram), area (piksel) dan visual warna kulit berdasarkan R/B dan H/V
Kelas Mutu Area (piksel) Berat (gram)
A > 9318 > 12.5
B 1584 - 9318 9.5 - 12.5
C < 1584 < 9.5
Kelas Mutu Visualn warna Warna Kulit
1 R/B < 2.0 dan H/V < 0.25 Coklat, Coklat-kuning
2 R/B > 2.0 Kuning
3 R/B < 2.0 dan H/V > 0.25 Kuning-hijau, Hijau
Gambar 25 Perancangan antar muka sistem tahap klasifikasi kelas mutu buah
matoa jenis kuning berdasarkan algoritma pemutuan dari parameter
mutu berat (gram), area (piksel), rasio warna R/B dan H/V
menggunakan Matlab R2014b.
31
Table 14 Tingkat keberhasilan pemutuan buah matoa jenis kuning kombinasi

hasil pemutuan berdasarkan berat (gram), area (piksel), nilai rasio
warna R/B dan H/V
Pengolahan Citra Digital
Jumlah Akurasi
Manual
A1 A2 A3 B1 B2 B3 C1 C2 C3 Buah (%)
A1 5 - - 1 - - - - - 6 83.33
A2 - 3 3 - 1 - - - - 7 42.86
A3 2 - 1 - - 2 - - - 5 20.00
B1 - - - 44 10 7 4 2 - 67 65.67
B2 - - - 1 3 1 - 1 - 6 50.00
B3 - - 1 9 - 34 3 - 3 50 68.00
C1 - - - 28 2 1 9 - 2 42 21.43
C2 - - - - - - 1 2 3 33.33
C3 - - - 1 - 3 5 1 7 17 41.18
7 3 5 84 16 48 21 5 14 203
A1 A1 A2 A A3
3
B1 B1 B2 B B3
3
Gambar 26 Contoh hasil pemutuan buah matoa jenis kuning kombinasi hasil
pemutuan berdasarkan berat (gram), area (piksel), rasio warna R/B
dan H/V. Kode kelas mutu A1,A2,A3,B1,B2,B3,C1,C2,C3
32
Gambar 27 Diagram alir algoritma pemutuan buah matoa jenis kuning

berat (gram) dan area (piksel) berdasarkan visual
warna kulit dan berdasarkan rasio R/B dan H/V
33
5 SIMPULAN DAN SARAN
Simpulan
Nilai maximum, minimum parameter mutu hasil pengukuran manual, buah matoa
jenis kuning berdasarkan berat (gram) menghasilkan 3 kelas mutu yaitu kelas
mutu A, B, C dengan tingkat keberhasilan 100%. Nilai parameter mutu visual
buah matoa jenis kuning hasil pengolahan citra adalah area, rata-rata 5451 piksel,
maximum 37452 piksel, minimum 863 piksel. Berat buah matoa jenis kuning
memiliki korelasi positif terhadap area dengan koefisien determinasi (R2) 0.8499
(85%) dengan persamaan regresi berat (gram) = 0.0005*area + 8.2741. Konversi
parameter mutu hasil pengukuran manual berdasarkan berat dan hasil
pengolahan citra digital berdasarkan area menghasilkan 3 kelas mutu yaitu kelas
mutu A,B,C dengan tingkat akurasi 73.84 %. Parameter mutu visual warna kulit
berdasarkan nilai rasio warna merah biru (R/B) dan nilai rasio warna hue dan
value (H/V) kelas mutu buah matoa jenis kuning dapat digolongkan menjadi tiga
kelas mutu yaitu kelas mutu 1 adalah buah matoa kategori kulit coklat dan coklat-
kuning, kelas mutu 2 adalah buah matoa kategori warna kulit kuning, kelas mutu
3 adalah kategori warna kulit kuning-hijau dan hijau dengan tingkat akurasi
74.38%. Algoritma pemutuan buah matoa jenis kuning kombinasi hasil
pemutuan berdasarkan berat, area dan nilai rasio warna merah biru (R/B) dan
nilai rasio warna hue dan value (H/V) kelas mutu buah matoa jenis kuning dapat
digolongkan menjadi 9 kelas mutu baru yaitu kelas mutu A1, A2, A3, B1, B2,
B3, C1, C2, C3. dengan tingkat akurasi 52.71%.
Saran
1. Untuk memperoleh tingkat akurasi maximum, penelitian selanjutnya perlu

adanya uji coba awal tahap akuisisi citra buah matoa dan jumlah sampel buah
matoa jenis kuning perlu ditambah.
2. Perlu dilakukan pemutuan buah matoa untuk jenis hijau dan merah
menggunakan pengolahan citra digital dan pemutuan buah matoa untuk jenis
hijau dan merah dalam bentuk rangkai menggunakan pengolahan citra digital.
34
DAFTAR PUSTAKA
Ahmad U. 2005. Pengolahan Citra Digital dan Teknik Pemogramannya. Graha

Ilmu Jogjakarta
Ahmad U, Mardison S, Ana N, Susanto R.B. 2009. Pemutuan Buah Jeruk
Pontianak Berdasarkan Ukuran dan Warna Menggunakan Pengelolaan
Citra Digital. Proseding Seminar Nasional Himpunan Informatika
Indonesia. ISBN 978-979-93366-7.
Agus H, Farida FF. 2017. Limbah Serutan Kayu Matoa (Pometia pinnata)
Sebagai Zat Warna Alam Pada Kain Batik Katun. J Kemenperin 34 (1) :
43-45
Ainissya F, Nahrowi, Asep S, Hirothoshi T. 2015. Indentifikasi Fitokimia dan
Aktifitas Antioksidan pada Kulit dan Biji Buah-Buahan Tropis dari
Indonesia [Tesis]. Bogor (ID): Intitut Pertanian Bogor.
Ayman HAE, Ayman A, Abdel K. 2012. Understanding Color Image
Processing by Machine Vision for Biological Material. Intech.
[BSN] Badan Standarisasi Nasional. 2009. SNI. ISO 22000. 2005. Sistem
Manajemen Keamanan Pangan. Persyaratan untuk organisasi dalam rantai
pangan .(ID): Badan Standarisasi Nasional
FAO 2005. CODEX STAN 246-2005. 2005. Codex Standar for Rambutan. Food
and Agriculture Organization of the United Nation,World Health
Organization.
Faustina, Fransisca C, Filiana S. 2014. Extraction of Fruit Peels of Pometia
pinnata and its Antioxidant and Anti Microbial Activities. J Pascapanen
11(2) : 80 - 88
Jayme GAB. 2016. Using Digital Image Processing for Counting White Flies on
Soybean Leaves. J Asia-Pacific Entomology 17 (2) 685–694.
Jayme GAB, Luciano VK, Thiago TS. 2016. Identifying Multiple Plant
Diseases Using Digital Image Processing J. Biosystem Engineering (147):
104 -116.
Kartasapoetra AG. 1994. Teknologi Penanganan Pascapanen. Rineka Cipta.
Jakarta.
Karyaatmaja B, Suripatty B. 1997. Matoa (Pometia spp) di Irian Jaya (Papua).
Informasi Teknis no1.Balai Penelitian dan Pengembangan Kehutanan.
[Kementan] Kementan Kementerian Pertanian Republik Indonesia 2010.
Peraturan Menteri Pertanian No 20/Permentan/OT.140/2010. Sistem
Jaminan Mutu Pangan Hasil Pertanian (ID): Kementerian Pertanian
Republik Indonesia.
[Kementan] Kementerian Pertanian Republik Indonesia. 2006. Surat Keputusan
Nomor 511/kpts/PD/-310//2006. Jenis Tanaman Nusatara Binaan (ID):
Kementerian Pertanian
[Kementan] Kementerian Pertanian Republik Indonesia. 2007. Peraturan Menteri
Pertanian Republik Indonesia No. 58 / Permentan / OT.140 / 8 / 2007
tentang Sistem Standarisasi Nasional di Bidang Pertanian. (ID):
Kementerian Pertanian
[Kementan] Kementerian Pertanian Republik Indonesia. Ditjen PPHP. 2014. SNI
Produk Segar Hortikultura (ID): Kementerian Pertanian
35
Lewaherilla NE. 2001. Pengkajian Penyimpanan Segar Buah Matoa (Pometia

pinnata) dalam Sistem Atmosfir Termodifikasi [Tesis] Bogor (ID):
Institut Pertanian Bogor
Lumintang RF, Jane W M.W, Pemsi MW. 2015. Uji Efek Analgesik Kulit Batang
Pohon Matoa (Pometia pinnata) pada Mencit. J e-Biomedik (3): 2 Mei –
Agustus.
Malay KD, Namita S, Navroj M, Biplab S, Arnab G, Kaushik B. 2016. Image
Processing Based Classification of Grapes after Pesticide Exposure J
LWT - Food Science and Technology (72) 368-376.
Mataputun S P, Rorong J A, Pontoh J. 2013 . Aktivitas Inhibitor α-Glukosidase
Ekstrak Kulit Batang Matoa (Pometia pinnata. Spp.) sebagai Agen
Antihiperglikemik J Unstrat 2(2): 119-123
Ngajow M. 2013. Pengaruh anti Bakteri Ekstrak Kulit Btang Matoa, (Pometia
pinnata) Terhadap Bakteri Stapilococus aureus Secara in Vitro. J Mipa
Unstrat 128.
Nurhazanah A. 2005. Identifikasi Mutu Tingkat Tetuaan dan Kematangan
Manggis menggunakan Pengolahan Citra dan Jaringan Syaraf Tiruan
[Tesis] Bogor (ID) : Institut Pertanian Bogor.
O'Connor, A. 2015. An analysis of the Predictive Capability of C5.0 and Chaid
Decision trees and Bayes net in the Classification of Fatal traffic Accidents
in the (UK). DIT 2015
Prasetyo E. 2011. Pengolahan Citra dan Aplikasinya Menggunakan Matlab. Andi
Yogyakarta.
Prasetyo E. 2012. Data Mining Konsep dan Aplikasinya Menggunakan Matlab.
Andi Yogyakarta.
Priyanto H . 2017. Pengolahan Citra Digital. Teori dan Aplikasinya Informatika
Purba A, Sitinjak K. 1987. Teknologi Pasca Panen Buah-Buahan dan Sayur-
Sayuran. USU Pr. Medan.
Purwidyaningrum I, Elin YS, Irda F. 2016. Diuretic Activity of Different Organs
of Matoa (Pometia pinnata) Extracts and Its Influence on Potassium and
Sodium Levels. International J pharmacognosy and phytochemical
research 8(2): 244-247.
Raharja S. 2005. Standarisasi Mutu Hasil Pertanian. Departemen Teknologi
Industri Pertanian. Fakultas Teknologi Pertanian Institut Pertanian Bogor
(ID) : Institut Pertanian Bogor
Rahimah, Endah S, Afghani J. 2013. Karakterisasi Senyawa Flavonoid Hasil
Isolat fraksi etil asetat Daun Matoa (Pometia pinnata). J.r. Forst dan
G.Forst J ICLC (2): 2303-1077
[SNI] Standar Nasional Indonesia 01-3210-: 1992. 1992. Rambutan. Badan
Sandarisasi Nasional (ID): BSN
[SNI] Standar Nasional Indonesia 6151: 2009. 2009. Duku. Badan Sandarisasi
Nasional (ID): BSN
Sukesi H, Suminto, Ranni R, Erizal M, Yudha HN, Bagus W. 2013. Laporan
Akhir Kajian Kebutuhan Standar Dalam Dimensi Daya Saing
Perlindungan Konsumen. Pusat Kebijakan Perdagangan dalam Negeri.
Badan Pengkajian dan Pengembangan Kebijakan Perdagangan
Kementerian Perdagangan ( ID) : Kemendag
36
Sulaiman A. 2017. Prinsip-Prinsip HACCP dan Penerapannya pada Industri Jasa

Makanan dan Gizi. (ID): IPB pr
Sulistityo, Susanto B. 2008. Pemutuan buah jeruk Pontianak (Citrus nobilis var
microcarpa) dengan teknik pengolahan citra [Tesis] Bogor (ID): Institut
Pertanian Bogor.
Suedee A,Supinya T, tentrakul S, Panchayupakranant P. 2013. Anti HIV-1
Integration Compound from Pometia pinnata Leaves. Pharmaceutical
Biology 51 (10).1256-61.
Thomson, Lex AJ, Randolp T, Randolph. 2006. Pometia pinnata (tava)
Sapindaceae (Soapberry family). Species Profiles for Pacific Island J
Agroforestry (2.1): April
Trimedona N, Nurdin H, Darwis, Dj, Efdi M. 2015. Isolation of Triterpenoid
from Stem Bark of Pometia pinnata, Forst & Forst. J Chemical and
Pharmaceutical Research 7(11):225-227.
Undang-Undang Republik Indonesia No. 8 tahun 1999 tentang Perlindungan
Konsumen
Walter M Jr, José CB. 2016. Automatic Green Fruit Counting in Orange Trees
using Digital Images. Computer and Electronic In Agriculture (127):572-
581.
Wambrauw HL. 2011. Karakterisasi Morfologi dan Isozim Matoa (Pometia
pinnata Forst) [Tesis] Bogor (ID): Institut Pertanian Bogor
37
Lampiran 1 Hasil pengukuran parameter mutu buah matoa jenis kuning

secara manual
Panjang Diameter Berat TPT Kekerasan

(cm) (cm) (gram) (% brix) (kg/cm2)
Rata-rata 3.58 2.88 10.31 21.88 2.80
Maximum 8.30 8.30 26.60 31.20 6.89
Minimum 1.90 1.20 6.80 9.80 0.20
Standardeviasi 1.34 1.15 2.86 3.77 1.30
Lampiran 2 Hasil pengukuran parameter mutu visual buah matoa jenis kuning
menggunakan pengolahan citra digital
Area Cacat Diameter Panjang

(piksel) (piksel) (piksel) (piksel)
Rata-rata 4444 26 144 163
Maximum 40699 475 393 553
Minimum 863 0 88 97
Standardeviasi 5648 81 48 66
Lampiran 3 Hasil pengukuran parameter mutu visual buah matoa jenis kuning
berdasarkan warna RGB, rasio warna rgb, indeks rgb, warna HSV dan
rasio warna HSV menggunakan pengolahan citra digital
Warna Merah R Kategori Warna Kulit

Rata-rata 136 175 155 190 173
Maximum 196 236 235 240 237
Minimum 86 75 75 108 83
Standardeviasi 29 34 46 33 33
Warna Hijau (G) Kategori Warna Kulit

Rata-rata 141 171 140 172 147
Maximum 206 240 226 240 203
Minimum 74 68 30 108 82
38
Warna Biru (B) Kategori Warna Kulit

Rata-rata 76 104 69 105 94
Maximum 142 219 179 184 185
Minimum 51 49 4 61 66
Indeks Warna Merah (r)

Kategori Warna Kulit
Rata-rata 0.39 0.39 0.46 0.41 0.42
Maximum 0.43 0.47 0.70 0.45 0.47
Minimum 0.35 0.31 0.35 0.32 0.22
Standardeviasi 0.02 0.03 0.09 0.03 0.05
Indeks Warna Hijau (g)

Rata-rata 0.40 0.38 0.38 0.37 0.35
Maximum 0.45 0.44 0.45 0.41 0.41
Minimum 0.34 0.25 0.21 0.32 0.33
Standardeviasi 0.04 0.04 0.06 0.02 0.01
Indeks Warna Biru (b)

Rata-rata 0.22 0.23 0.16 0.22 0.23
Maximum 0.28 0.33 0.29 0.35 0.37
Minimum 0.17 0.13 0.02 0.17 0.17
Standardeviasi 0.03 0.04 0.10 0.04 0.04
Warna Hue (H) Kategori Warna Kulit

Rata-rata 0.18 0.18 0.18 0.15 0.11
Maximum 0.27 0.47 0.97 0.79 0.16
Minimum 0.10 0.10 0.04 0.09 0.07
Standardeviasi 0.04 0.08 0.02 0.09 0.02
39
Warna Saturation (S) Kategori Warna Kulit

Rata-rata 0.48 0.43 0.61 0.47 0.45
Maximum 0.61 0.73 0.99 0.61 0.63
Minimum 0.29 0.09 0.12 0.21 0.11
Standardeviasi 0.10 0.14 0.30 0.11 0.14
Warna Value (V) Kategori Warna Kulit

Rata-rata 0.58 0.70 0.63 0.77 0.69
Maximum 0.81 0.94 0.92 0.97 0.93
Minimum 0.34 0.14 0.29 0.52 0.39
Standardeviasi 0.13 0.18 0.18 0.12 0.12
Rasio H/S Kategori Warna Kulit

Rata-rata 0.38 0.56 0.77 0.33 0.28
Maximum 0.62 4.09 8.31 1.44 0.93
Minimum 0.20 0.17 0.04 0.19 0.16
Standardeviasi 0.10 0.48 0.22 0.20 0.15
Rasio H/V Kategori Warna Kulit

Rata-rata 0.31 0.36 0.34 0.19 0.16
Maximum 0.40 3.34 2.11 0.81 0.27
Minimum 0.15 0.14 0.10 0.11 0.10
Standardeviasi 0.06 0.14 0.28 0.09 0.04
Rasio S/V Kategori Warna Kulit

Rata-rata 0.86 0.71 1.14 0.63 0.66
Maximum 1.20 4.64 3.38 1.03 0.93
Minimum 0.37 0.15 0.25 0.25 0.15
Standardeviasi 0.19 0.24 0.86 0.18 0.19
40
Lampiran 4 Koding program aplikasi pengolahan citra buah matoa

jenis kuning pada matlab R2014b
function varargout = GUIMATOA12(varargin)
% GUIMATOA12 MATLAB code for GUIMATOA12.fig
% GUIMATOA12, by itself, creates a new GUIMATOA12 or
raises the existing
% singleton*.
%
% H = GUIMATOA12 returns the handle to a new
GUIMATOA12 or the handle to
% the existing singleton*.
%
% GUIMATOA12('CALLBACK',hObject,eventData,handles,...)
calls the local
% function named CALLBACK in GUIMATOA12.M with the given
input arguments.
%
% GUIMATOA12('Property','Value',...) creates a new
GUIMATOA12 or raises the
% existing singleton*. Starting from the left, property
value pairs are
% applied to the GUI before GUIMATOA12_OpeningFcn gets
called. An
% unrecognized property name or invalid value makes
property application
% stop. All inputs are passed to GUIMATOA12_OpeningFcn
via varargin.
%
% *See GUI Options on GUIDE's Tools menu. Choose "GUI
allows only one
% instance to run (singleton)".
%
% See also: GUIDE, GUIDATA, GUIHANDLES
% Edit the above text to modify the response to help

GUIMATOA12
% Last Modified by GUIDE v2.5 17-Aug-2018 06:51:37
% Begin initialization code - DO NOT EDIT

gui_Singleton = 1;
gui_State = struct('gui_Name', mfilename, ...
'gui_Singleton', gui_Singleton, ...
'gui_OpeningFcn', @GUIMATOA12_OpeningFcn, ...
'gui_OutputFcn', @GUIMATOA12_OutputFcn, ...
'gui_LayoutFcn', [] , ...
'gui_Callback', []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT
41
% --- Executes just before GUIMATOA12 is made visible.

function GUIMATOA12_OpeningFcn(hObject, eventdata, handles,
varargin)
% This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version
of MATLAB
% handles structure with handles and user data (see
GUIDATA)
% varargin command line arguments to GUIMATOA12 (see
VARARGIN)
% Choose default command line output for GUIMATOA12

handles.output = hObject;
% Update handles structure

guidata(hObject, handles);
% UIWAIT makes GUIMATOA12 wait for user response (see

UIRESUME)
% uiwait(handles.figure1);
% --- Outputs from this function are returned to the

command line.
function varargout = GUIMATOA12_OutputFcn(hObject, eventdata,
handles)
% varargout cell array for returning output args (see
VARARGOUT);
% hObject handle to figure
of MATLAB
GUIDATA)
% Get default command line output from handles structure

varargout{1} = handles.output;
function edit1_Callback(hObject, eventdata, handles)

% hObject handle to edit1 (see GCBO)
of MATLAB
GUIDATA)
% Hints: get(hObject,'String') returns contents of edit1

as text
% str2double(get(hObject,'String')) returns contents of
edit1 as a double
% --- Executes during object creation, after setting all

properties.
function edit1_CreateFcn(hObject, eventdata, handles)
of MATLAB
% handles empty - handles not created until after all
CreateFcns called
42
% Hint: edit controls usually have a white background on

Windows.
% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end

of MATLAB
GUIDATA)

as text
edit2 as a double

properties.
of MATLAB
CreateFcns called

Windows.
end

of MATLAB
GUIDATA)

as text
% str2double(get(hObject,'String')) returns
contents of edit3 as a double

properties.
of MATLAB
CreateFcns called
43

Windows.
end

of MATLAB
GUIDATA)

as text
edit4 as a double

properties.
of MATLAB
CreateFcns called

Windows.
end

of MATLAB
GUIDATA)

as text
edit5 as a double

properties.
of MATLAB
CreateFcns called

44
Windows.
end

of MATLAB
% handles structure with handles and user data
(see GUIDATA)
% Hints: get(hObject,'String') returns contents of

edit6 as text
% str2double(get(hObject,'String')) returns contents
of edit6 as a double
% --- Executes during object creation, after setting

all properties.
% eventdata reserved - to be defined in a future
version of MATLAB
% handles empty - handles not created until after
all CreateFcns called
% Hint: edit controls usually have a white background

on Windows.
end

version of MATLAB
(see GUIDATA)

edit7 as text

all properties.
version of MATLAB

on Windows.
45

end

version of MATLAB
(see GUIDATA)

edit8 as text

all properties.
version of MATLAB

on Windows.
end

version of MATLAB
(see GUIDATA)

edit9 as text

all properties.
version of MATLAB

on Windows.
46

end

version of MATLAB
(see GUIDATA)

edit10 as text

properties.
function edit10_CreateFcn(hObject, eventdata,
handles)
version of MATLAB

on Windows.
end

version of MATLAB
(see GUIDATA)

edit11 as text

all properties.
handles)
version of MATLAB

on Windows.
47

end

version of MATLAB
(see GUIDATA)

edit12 as text

all properties.
handles)
version of MATLAB

on Windows.
end

version of MATLAB
(see GUIDATA)

edit13 as text

properties.
version of MATLAB

on Windows.
48

end
function edit14_Callback(hObject, eventdata,

handles)
version of MATLAB
(see GUIDATA)

edit14 as text

all properties.
version of MATLAB

on Windows.
end
function edit15_Callback(hObject, eventdata,

handles)
version of MATLAB
GUIDATA)

as text
edit15 as a double

properties.
of MATLAB
CreateFcns called
49

Windows.
end

of MATLAB
GUIDATA)

as text
edit16 as a double

properties.
of MATLAB
CreateFcns called

Windows.
end

of MATLAB
GUIDATA)

as text
edit17 as a double

properties.
of MATLAB
CreateFcns called

50
Windows.
end
% --- Executes on button press in pushbutton1.

function pushbutton1_Callback(hObject, eventdata, handles)
% hObject handle to pushbutton1 (see GCBO)
of MATLAB
GUIDATA)
[a,b]=uigetfile({'*.bmp'},'buka gbr');
if isequal ([a,b],[0,0])
return
end
matoa=imread ([b,a],'bmp');
axes(handles.axes1);
imshow (matoa);
rgb=matoa;
gray=rgb2gray(matoa);
imshow(gray);
background=imclose(gray,strel('disk',17));
i3=imsubtract(background,gray);
%konversi citra grayscale ke citra biner%

BW=im2bw(i3,graythresh(i3));
BW1=bwareaopen(BW,7);
axes(handles.axes4)
imshow(BW1);
cform=makecform('srgb2lab');
lab=applycform(matoa,cform);
ab = double(lab(:,:,2:3));
nrows = size(ab,1);
ncols = size(ab,2);
ab = reshape(ab,nrows*ncols,2);
panjang=ncols;
lebar=nrows;
set(handles.edit13,'string',panjang);
normncols = size(ab,2);
set(handles.edit14,'string',lebar);
normn = size(ab,2);
%melakukan proses segmentasi%
nColors = 3;
[cluster_idx, cluster_center] =
kmeans(ab,nColors,'distance','sqEuclidean', ...
'Replicates',3);
pixel_labels = reshape(cluster_idx,nrows,ncols);
RGB = label2rgb(pixel_labels);
segmented_images = cell(1,3);
rgb_label = repmat(pixel_labels,[1 1 3]);
51
for k = 1:nColors;
color = matoa;
color(rgb_label ~= k) = 0;
segmented_images{k} = color;
end
area_cluster1 = sum(sum(pixel_labels==1));
[~,cluster_matoa] =
min([area_cluster1,area_cluster2,area_cluster3]);
matoa_bw = (pixel_labels==cluster_matoa);
matoa_bw = imfill(matoa_bw,'holes');
matoa_bw = bwareaopen(matoa_bw,1000);
matoa = matoa;
R = matoa(:,:,1);
G = matoa(:,:,2);
B = matoa(:,:,3);
R(~matoa_bw) = 0;
G(~matoa_bw) = 0;
B(~matoa_bw) = 0;
matoa_rgb = cat(3,R,G,B);
% extraksi fitures RGB
R_stats = regionprops(matoa_bw,R,'PixelValues','MeanIntensity',...
'MaxIntensity','MinIntensity');
G_stats = regionprops(matoa_bw,G,'PixelValues','MeanIntensity',...
B_stats = regionprops(matoa_bw,B,'PixelValues','MeanIntensity',...
R_pix_val = R_stats.PixelValues;
G_pix_val = G_stats.PixelValues;
B_pix_val = B_stats.PixelValues;
Rmean = R_stats.MeanIntensity;
Gmean = G_stats.MeanIntensity;
Bmean = B_stats.MeanIntensity;
RBmean=Rmean/Bmean;
RGmean=Rmean/Gmean;
GBmean=Gmean/Bmean;
set(handles.edit1,'string',Rmean);
set(handles.edit2,'string',Gmean);
set(handles.edit3,'string',Bmean);
set(handles.edit7,'string',RGmean);
set(handles.edit8,'string',RBmean);
set(handles.edit9,'string',GBmean);
normRmean = R_stats.MeanIntensity;
normGmean = R_stats.MeanIntensity;
normBmean = R_stats.MeanIntensity;
normRGmean=Rmean/Gmean;
normRBmean=Rmean/Bmean;
normGBmean=Gmean/Bmean;
Rmax = R_stats.MaxIntensity;
Gmax = G_stats.MaxIntensity;
Bmax = B_stats.MaxIntensity;
Rmin = R_stats.MinIntensity;
Gmin = G_stats.MinIntensity;
52
Bmin = B_stats.MinIntensity;
imhist(R_pix_val);
set(gca,'XLim',[0 280]);
set(gca,'YLim',[0 400]);
grid on;
%menampilkan histogram green chanel%
imhist(G_pix_val);
grid on
%menampilkan histogram blue chanel%

imhist(B_pix_val);
set(gca,'XLim',[0 280])
set(gca,'YLim',[0 400])
grid on;
% Ekstraksi fitur HSV%
matoa_hsv = rgb2hsv(matoa);
imshow(matoa_hsv);
H = matoa_hsv(:,:,1);
S = matoa_hsv(:,:,2);
V = matoa_hsv(:,:,3);
H(~matoa_bw) = 0;
S(~matoa_bw) = 0;
V(~matoa_bw) = 0;
matoa_hsv = cat(3,H,S,V);
H_stats = regionprops(matoa_bw,H,'PixelValues','MeanIntensity',...
S_stats = regionprops(matoa_bw,S,'PixelValues','MeanIntensity',...
V_stats = regionprops(matoa_bw,V,'PixelValues','MeanIntensity',...
H_pix_val = H_stats.PixelValues;
S_pix_val = S_stats.PixelValues;
V_pix_val = V_stats.PixelValues;
Hmean = H_stats.MeanIntensity;
Smean = S_stats.MeanIntensity;
Vmean = V_stats.MeanIntensity;
HSmean=Hmean/Smean;
HVmean=Hmean/Vmean;
SVmean=Smean/Vmean;
set(handles.edit4,'string',Hmean);
set(handles.edit5,'string',Smean);
set(handles.edit6,'string',Vmean);
set(handles.edit10,'string',HSmean);
set(handles.edit11,'string',HVmean);
set(handles.edit12,'string',SVmean);
normHmean = H_stats.MeanIntensity;
normSmean = S_stats.MeanIntensity;
normVmean = V_stats.MeanIntensity;
normHSmean=Hmean/Smean;
normHVmean=Hmean/Vmean;
normSVmean=Smean/Vmean;
% Shape features extraction
53
reg_stats =
regionprops(matoa_bw,'Area','Perimeter','Eccentricity');
Area = reg_stats.Area;
perimeter = reg_stats.Perimeter;
eccentricity = reg_stats.Eccentricity;
berat=0.0005*Area+8.2;
Area=1704.1*berat-13511;
Area=Area
set(handles.edit16,'string',Area);
normarea=Area
Berat=berat;
set(handles.edit17,'string',Berat);
% --- Executes on button press in radiobutton1.

function radiobutton1_Callback(hObject, eventdata, handles)
% hObject handle to radiobutton1 (see GCBO)
of MATLAB
GUIDATA)
% Hint: get(hObject,'Value') returns toggle state of

radiobutton1

[a,b]=uigetfile({'*.bmp'},'buka gbr');
if isequal ([a,b],[0,0])
return
end
matoa=imread ([b,a],'bmp');
imshow (matoa);
rgb=matoa;
gray=rgb2gray(matoa);
background=imclose(gray,strel('disk',17));
i3=imsubtract(background,gray);
%konversi citra grayscale ke citra biner%

BW=im2bw(i3,graythresh(i3));
BW1=bwareaopen(BW,7);
cform=makecform('srgb2lab');
lab=applycform(matoa,cform);
ab = double(lab(:,:,2:3));
nrows = size(ab,1);
ncols = size(ab,2);
ab = reshape(ab,nrows*ncols,2);
panjang=ncols;
lebar=nrows;
set(handles.edit13,'string',panjang);
normncols = size(ab,2);
set(handles.edit14,'string',lebar);
normn = size(ab,2);
%melakukan proses segmentasi%
nColors = 3;
[cluster_idx, cluster_center] =
kmeans(ab,nColors,'distance','sqEuclidean', ...
'Replicates',3);
pixel_labels = reshape(cluster_idx,nrows,ncols);
54
RGB = label2rgb(pixel_labels);
segmented_images = cell(1,3);
rgb_label = repmat(pixel_labels,[1 1 3]);
for k = 1:nColors;
color = matoa;
color(rgb_label ~= k) = 0;
segmented_images{k} = color;
end
[~,cluster_matoa] =
min([area_cluster1,area_cluster2,area_cluster3]);
matoa_bw = (pixel_labels==cluster_matoa);
matoa_bw = imfill(matoa_bw,'holes');
matoa_bw = bwareaopen(matoa_bw,1000);
matoa = matoa;
R = matoa(:,:,1);
G = matoa(:,:,2);
B = matoa(:,:,3);
R(~matoa_bw) = 0;
G(~matoa_bw) = 0;
B(~matoa_bw) = 0;
matoa_rgb = cat(3,R,G,B);
% extraksi fitures RGB
R_stats = regionprops(matoa_bw,R,'PixelValues','MeanIntensity',...
G_stats = regionprops(matoa_bw,G,'PixelValues','MeanIntensity',...
B_stats = regionprops(matoa_bw,B,'PixelValues','MeanIntensity',...
RBmean=Rmean/Bmean;
RGmean=Rmean/Gmean;
GBmean=Gmean/Bmean;
normRmean = R_stats.MeanIntensity;
normGmean = G_stats.MeanIntensity;
normBmean = B_stats.MeanIntensity;
Rmax = R_stats.MaxIntensity;
Gmax = G_stats.MaxIntensity;
Bmax = B_stats.MaxIntensity;
Rmin = R_stats.MinIntensity;
Gmin = G_stats.MinIntensity;
Bmin = B_stats.MinIntensity;
55
imhist(R_pix_val);
grid on;
%menampilkan histogram green chanel%
imhist(G_pix_val);
grid on
%menampilkan histogram blue chanel%

imhist(B_pix_val);
set(gca,'XLim',[0 280])
set(gca,'YLim',[0 600])
grid on;
% Ekstraksi fitur HSV%
matoa_hsv = rgb2hsv(matoa);
imshow(matoa_hsv);
H = matoa_hsv(:,:,1);
S = matoa_hsv(:,:,2);
V = matoa_hsv(:,:,3);
H(~matoa_bw) = 0;
S(~matoa_bw) = 0;
V(~matoa_bw) = 0;
matoa_hsv = cat(3,H,S,V);
H_stats = regionprops(matoa_bw,H,'PixelValues','MeanIntensity',...
S_stats = regionprops(matoa_bw,S,'PixelValues','MeanIntensity',...
V_stats = regionprops(matoa_bw,V,'PixelValues','MeanIntensity',...
H_pix_val = H_stats.PixelValues;
S_pix_val = S_stats.PixelValues;
V_pix_val = V_stats.PixelValues;
HVmean=Hmean/Vmean;

reg_stats =
perimeter = reg_stats.Perimeter;
eccentricity = reg_stats.Eccentricity;
Area=1704.1*berat-13511;
Area=Area
normarea=Area
Berat=berat; reg_stats =
56
Area=1704.1*berat-13511;
Area=Area
set(handles.edit20,'string',Area);
normArea=Area
if normArea>9318
set(handles.edit23,'string','A');
elseif normArea>1584 && normArea<9318
set(handles.edit23,'string','B');
elseif normArea<1584
set(handles.edit23,'string','C');
end
Berat=berat;
set(handles.edit21,'string',Berat);
normBerat=berat;
if normBerat>12.5
set(handles.edit23,'string','A');
elseif normBerat <=9.5 && normBerat>=12.5
set(handles.edit23,'string','B');
elseif normArea<9.5
set(handles.edit23,'string','C');
end
RBmean=Rmean/Bmean;
HVmean=Hmean/Vmean;
normHV=HVmean
if normHVmean>0.05 && normHVmean<=0.25
set(handles.edit22,'string','COKLAT-COKLATKUNING');
elseif normHVmean>0.025 && normHVmean<=0.40
set(handles.edit22,'string','KUNIGHIJAU-HIJAU');
elseif normRB>2.0
set(handles.edit,'string','KUNING')
end
of MATLAB
GUIDATA)

as text
57
edit18 as a double

properties.
of MATLAB
CreateFcns called

Windows.
%See ISPC and COMPUTER.
end

of MATLAB
GUIDATA)

as text
% str2double(get(hObject,'String')) returns contents of edit19 as
a double

properties.
of MATLAB
CreateFcns called

Windows.
end

of MATLAB
GUIDATA)

as text
edit20 as a double
58

properties.
of MATLAB
CreateFcns called

Windows.
end

of MATLAB
GUIDATA)

as text
edit21 as a double

properties.
of MATLAB
CreateFcns called

Windows.
end

of MATLAB
GUIDATA)

as text
edit22 as a double
59

properties.
of MATLAB
CreateFcns called

Windows.
end

of MATLAB
GUIDATA)

as text
% str2double(get(hObject,'String')) returns contents of edit23 as
a double

properties.
of MATLAB
CreateFcns called

Windows.
end

of MATLAB
GUIDATA)
set (handles.edit1,'string','');
60
plot(0);
plot(0);
plot(0);
plot(0);
plot(0);
plot(0);
plot(0);

of MATLAB
GUIDATA)
keluar = questdlg('Yakin akan keluar?', ...
'Main', ...
'Ya', 'Tidak', 'Ya');
switch keluar,
case 'Ya',
clear handles.Citra;
clear all;
close;
case 'Tidak',
return
end
61
Lampiran 5 : Konversi warna RGB ke HSV dan HSV ke RGB
%-----Konversiwarna citra buah matoa jenis kuning dari

RGB ke HSV---------------------------------------------
------%
I=imread('khj2.bmp');
Ir = double(I(:,:,1));
Ig = double(I(:,:,2));
Ib = double(I(:,:,3));
[m,n] = size(Ir);
for i = 1 : m
for j = 1 : n
r = Ir(i,j)/255;
g = Ig(i,j)/255;
b = Ib(i,j)/255;
v = max(max(r,g),b);
vm = v-min(r,min(g,b));
if v==0
s = 0;
elseif v>0
s = vm/v;
end
if s==0
h=0;
elseif v==r
h=60/360*(mod((g-b)/vm,6));
elseif v==g
h=60/360*(2+((b-r)/vm));
elseif v==b
h=60/360*(4+((r-g)/vm));
end
Iv(i,j) = v;
Is(i,j) = s;
Ih(i,j) = h;
end
end
Ihsv(:,:,1) = Ih;
Ihsv(:,:,2) = Is;
Ihsv(:,:,3) = Iv;
% figure(1), imshow(Ih);
f = Ihsv;
%-----Konversi warna citra buah matoa jenis kuning HSV

ke RGB------------------------------------------------%
I=imread('khj2.bmp');
f = HSV2RGB(I)
Ih = I(:,:,1);
Is = I(:,:,2);
Iv = I(:,:,3);
[m,n] = size(Ih);
for i = 1 : m
62
for j = 1 : n
h = Ih(i,j)/(60/360);
k = floor(h);
t = h-k;
x = Iv(i,j)*(1-Is(i,j)); %t
y = Iv(i,j)*(1-Is(i,j)*t); %n
z = Iv(i,j)*(1-Is(i,j)*(1-t)); %p
if k == 0 || k == 6
rgb = [Iv(i,j);z;x]; %[v, p, t]
elseif k == 1
rgb = [y;Iv(i,j);x]; %[n, v, t]
elseif k == 2
rgb = [x;Iv(i,j);z]; %[t, v, p]
elseif k == 3
rgb = [x;y;Iv(i,j)]; %[t, n, v]
elseif k == 4
rgb = [z;x;Iv(i,j)]; %[p, t, v]
elseif k == 5
rgb = [Iv(i,j);x;y]; %[v, t, n]
end
Ir(i,j) = uint8(rgb(1,:) * 255);
Ig(i,j) = uint8(rgb(2,:) * 255);
Ib(i,j) = uint8(rgb(3,:) * 255);
end
end
Irgb(:,:,1) = uint8(Ir);
Irgb(:,:,2) = uint8(Ig);
Irgb(:,:,3) = uint8(Ib);
% figure(1), imshow(Irgb);
f = Irgb;
end
63
RIWAYAT HIDUP
Penulis dilahirkan di Kaimana Papua Barat 1 Mei

1973. Sebagai anak kedua dari 4 bersaudara dari pasangan
Esau Furay dan Siti Sukaesi. Pendidikan sarjana di tempuh
di Program Studi Teknologi Hasil Pertanian Universitas
Kristen Cipta Wacana Malang tahun 1999. Penulis
diterima di Program Studi Teknologi Pascapanen Institut
Pertanian Bogor Tahun 2015.
Penulis bekerja sebagai ASN sejak tahun 2007 pada
Dinas Pertanian dan Ketahanan Pangan Kabupaten
Kaimana Papua Barat.
Karya ilmiah berjudul Kajian Parameter Mutu Buah Matoa Jenis Kuning
(Pometiapinnata) Menggunakan Pengolahan Citra Digital telah di sajikan pada
The 1st International Conference on Mechanical, Electronics and Biosystem
Engineering 2018 (MEBSE 2018) pada bulan Desember 2018 di Kota Bogor.
Artikel tersebut diterbitkan pada bulan April 2019 pada prosiding International
Conference on Mechanical, Electronics and Biosystem Engineering 2018. Karya
ilmiah yang dipublikasikan tersebut merupakan bagian dari program S-2 penulis.

2019 Afu

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

2019 Afu

Diunggah oleh

Hak Cipta:

Format Tersedia

1

KAJIAN PARAMETER MUTU BUAH MATOA JENIS

PERNYATAAN MENGENAI TESIS DAN

Bogor, Maret 2019

ALEXANDER FURAY. Study on the Quality Parameters of Yellow Matoa Fruit

Matoa fruit, an exotic fruit with a sweet taste of a mixture of klengkeng,

© Hak Cipta Milik IPB, Tahun 2019

KAJIAN PARAMETER MUTU BUAH MATOA JENIS

Bogor, Maret 2019

DAFTAR TABEL xii

Hasil Pengolahan Citra Digital Berdasarkan Berat (gram), Area

jenis kuning seluruh kategori warna kulit 21

3. Hasil pengukuran parameter mutu visual buah matoa jenis kuning

Standar perdagangan produk hortikultura saat ini mengharuskan petani

untuk mengembangkan algoritma pemutuan (Ahmad 2005).

1. Mempelajari parameter mutu visual buah matoa jenis kuning menggunakan

Ruang Lingkup Penelitian

Analisis parameter mutu visual buah matoa jenis kuning menggunakan

Tanaman matoa tergolong dalam famili Sapindaceae, genus pometia, spesies

Morfologi Buah Matoa

Tabel 1 Parameter pembeda buah matoa berdasarkan jenis

Gambar 1 Morfologi buah matoa jenis kuning

Tabel 2 Beberapa sifat fisik dan kandungan gizi buah matoa

Kriteria Standar Mutu Buah Matoa

Sistem manajemen mutu dan keamanan pangan dapat mencakup standar

dengan cara merusak komoditi dan metode non-destruktif evaluasi dilakukan

Standar Mutu Buah Matoa

Pemutuan buah matoa jenis kuning dilakukan secara manual dengan

Ketentuan Umum Standar Mutu Buah Matoa

Ketentuan Minimum Standar Mutu Buah Matoa

5. Bebas dari hama dan penyakit

Kelas Mutu Buah Matoa

Kriteria Kelas Mutu Buah Matoa

Tabel 3 Kriteria kelas mutu buah matoa

Parameter Mutu Fisik dan Kimia Buah Matoa

Pengolahan Citra Digital

Image frame Graber

TV Camera A/D Converter Frame Memory

Algoritma pengolahan citra

Gambar 2 Bagan alir pengolahan citra digital (Ahmad 2005)

Citra Abu-abu (Citra Grayscale)

Gambar 4 Model warna HSV (Prasetyo 2011; Priyanto 2017)

kecil saturation maka warna semakin condong ke abu-abu, skala Saturation

Aplikasi Pengolahan Citra Digital Pada Bidang Pertanian

Penelitian Ahmad (2009) melakukan pemutuan buah jeruk Pontianak

III METODE PENELITIAN

Waktu dan Tempat Penelitian

Penelitian ini dilaksanakan pada bulan Agustus 2016 - Januari 2017 di

Alat dan Bahan

Penelitian ini terdiri dari 2 tahap yaitu tahap 1 mengindentifikasi

Pengukuran Parameter Mutu Fisik Buah Matoa Secara Manual

Alat dan bahan disiapkan

Pengukuran diameter (cm), berat (gram), tinggi (cm), kekerasan

Penggolongan kelas mutu

Gambar 5 Diagram alir proses pengukuran parameter mutu buah matoa

Pengukuran Parameter Mutu Visual Buah Matoa Jenis Kuning

Prosedur Pengolahan Citra Digital

Pengukuran Warna RGB dan HSV

Dimana : A = luas area obyek (piksel) ; B[i,j] = lokasi piksel obyek

Citra uji buah

Gambar 6 Diagram alir implementasi antar muka ( interface) sistem pengolahan

Evaluasi Hasil Pemutuan Parameter Mutu secara Manual dan

Data parameter visual hasil pengolahan citra digital selanjutnya dianalisis