ALEXANDER FURAY
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2019
2
3
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
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
Key words : Yellow matoa fruit, digital image processing, quality classes
6
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
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
Alexander Furay
11
DAFTAR ISI
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
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
1 PENDAHULUAN
Latar Belakang
Tujuan
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.
2 TINJAUAN PUSTAKA
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).
Buah ganda
Biji
Tangkai
Daging buah buah Kulit buah
Ketentuan Ukuran
Klasifikasi buah matoa berdasarkan ukuran meliputi ukuran berat per
buah dan jumlah buah perkilogram (acuan SNI Duku. SNI. 6151:2009)
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).
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)
lampu
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).
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)
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
V = Max (R,G,B)………………………….….……………………..(5)
Vm = V-min (R,G,B)……………………………………………….....(6)
0 jika V = 0
{ ………………….……….……………. .(7)
( )
H= …………...……..………(8)
( )
{ ( )
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.
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
Mula
i
Buah matoa jenis kuning matang fisiologis
Hasil Pemutuan
selesai
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.
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
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)
Mulai MULAI
Segmentasi dan
croping
Grayscaling
Pre-
processing
Resizing
Binerisasi
Estraksi Fitur
Morfologi dan warna
Simpan data
fitur acuan
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
Selesai
Gambar 7 Diagram alir analisis parameter mutu buah matoa jenis kuning
menggunakan pengolahan citra digital
18
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
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
100
50
0
Hijau Hijau-kuning Kuning Kuning-coklat Coklat
Warna Kulit
Gambar 10 Nilai rata-rata dan standar deviasi warna hijau (G) buah
matoa jenis kuning seluruh kategori warna kulit.
160
140
120
Warna Biru (B)
100
80
60
40
20
0
Hijau Hijau-kuning Kuning Kuning-coklat Coklat
Warna Kulit
Gambar 11 Nilai rata-rata dan standar deviasi warna biru (B) buah
matoa jenis kuning seluruh kategori warna kulit.
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
0.30
0.20
0.10
0.00
Hijau Hijau-kuning Kuning Kuning-coklat Coklat
Warna Kulit
Gambar 12 Nilai Rata-rata dan standar deviasi Indeks warna merah (r)
buah matoa jenis kuning
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
Hijau Hijau-kuning Kuning Kuning-coklat Coklat
Warna Kulit
Gambar 13 Nilai rata-rata dan standar deviasi Indeks warna hijau (g)
buah matoa jenis kuning
0.30
0.25
0.15
0.10
0.05
0.00
Hijau Hijau-kuning Kuning Kuning-coklat Coklat
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
Hijau Hijau-kuning Kuning Kuning-coklat Coklat
Warna Kulit
Gambar 15 Nilai rata-rata dan standar deviasi rasio warna R/G buah matoa
jenis kuning seluruh kategori warna kulit.
9.00
8.00
7.00
Rasio Warna R/B 6.00
5.00
4.00
3.00
2.00
1.00
0.00
Hijau Hijau-kuning Kuning Kuning-coklat Coklat
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
Hijau Hijau-kuning Kuning Kuning-coklat Coklat
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.
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
0.15
0.10
0.05
0.00
Hijau Hijau-kuning Kuning Kuning-coklat Coklat
Warna Kulit
Gambar 18 Nilai rata-rata dan standar deviasi warna hue (H) buah
matoa jenis kuning seluruh kategori warna kulit.
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
Hijau Hijau-kuning Kuning Kuning-coklat Coklat
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
Hijau Hijau-kuning Kuning Kuning-coklat Coklat
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.
Berdasarkan nilai rata-rata dan standar deviasi batas nilai maximum
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
Hijau Hijau-kuning Kuning Kuning-coklat Coklat
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
Hijau Hijau-kuning Kuning Kuning-coklat Coklat
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
1.00
0.50
0.00
Hijau Hijau-kuning Kuning Kuning-coklat Coklat
Warna Kulit
Gambar 23 Nilai rata-rata dan standar deviasi rasio warna saturation dan
value (S/V) buah matoa jenis kuning
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
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%
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 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
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
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
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
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
DAFTAR PUSTAKA
Lampiran 2 Hasil pengukuran parameter mutu visual buah matoa jenis kuning
menggunakan pengolahan citra digital
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
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT
41
Windows.
% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
Windows.
% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'),
get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
gray=rgb2gray(matoa);
axes(handles.axes3);
imshow(gray);
background=imclose(gray,strel('disk',17));
i3=imsubtract(background,gray);
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));
area_cluster2 = sum(sum(pixel_labels==2));
area_cluster3 = sum(sum(pixel_labels==3));
[~,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',...
'MaxIntensity','MinIntensity');
B_stats = regionprops(matoa_bw,B,'PixelValues','MeanIntensity',...
'MaxIntensity','MinIntensity');
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;
axes(handles.axes5);
imhist(R_pix_val);
set(gca,'XLim',[0 280]);
set(gca,'YLim',[0 400]);
grid on;
%menampilkan histogram green chanel%
axes(handles.axes6);
imhist(G_pix_val);
set(gca,'XLim',[0 280]);
set(gca,'YLim',[0 400]);
grid on
H_stats = regionprops(matoa_bw,H,'PixelValues','MeanIntensity',...
'MaxIntensity','MinIntensity');
S_stats = regionprops(matoa_bw,S,'PixelValues','MeanIntensity',...
'MaxIntensity','MinIntensity');
V_stats = regionprops(matoa_bw,V,'PixelValues','MeanIntensity',...
'MaxIntensity','MinIntensity');
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);
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
area_cluster1 = sum(sum(pixel_labels==1));
area_cluster2 = sum(sum(pixel_labels==2));
area_cluster3 = sum(sum(pixel_labels==3));
[~,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',...
'MaxIntensity','MinIntensity');
B_stats = regionprops(matoa_bw,B,'PixelValues','MeanIntensity',...
'MaxIntensity','MinIntensity');
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.edit18,'string',RBmean);
normRmean = R_stats.MeanIntensity;
normGmean = G_stats.MeanIntensity;
normBmean = B_stats.MeanIntensity;
normRBmean=Rmean/Bmean;
Rmax = R_stats.MaxIntensity;
Gmax = G_stats.MaxIntensity;
Bmax = B_stats.MaxIntensity;
Rmin = R_stats.MinIntensity;
Gmin = G_stats.MinIntensity;
Bmin = B_stats.MinIntensity;
axes(handles.axes5);
55
imhist(R_pix_val);
set(gca,'XLim',[0 280]);
set(gca,'YLim',[0 600]);
grid on;
%menampilkan histogram green chanel%
axes(handles.axes6);
imhist(G_pix_val);
set(gca,'XLim',[0 280]);
set(gca,'YLim',[0 600]);
grid on
H_stats = regionprops(matoa_bw,H,'PixelValues','MeanIntensity',...
'MaxIntensity','MinIntensity');
S_stats = regionprops(matoa_bw,S,'PixelValues','MeanIntensity',...
'MaxIntensity','MinIntensity');
V_stats = regionprops(matoa_bw,V,'PixelValues','MeanIntensity',...
'MaxIntensity','MinIntensity');
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;
HVmean=Hmean/Vmean;
set(handles.edit19,'string',HVmean);
normHVmean=Hmean/Vmean;
berat=0.0005*Area+8.2;
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
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;
set(handles.edit18,'string',RBmean);
normRBmean=Rmean/Bmean;
Hmean = H_stats.MeanIntensity;
Smean = S_stats.MeanIntensity;
Vmean = V_stats.MeanIntensity;
HVmean=Hmean/Vmean;
set(handles.edit19,'string',HVmean);
normHVmean=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
function edit18_Callback(hObject, eventdata, handles)
% hObject handle to edit18 (see GCBO)
% eventdata reserved - to be defined in a future version
of MATLAB
% handles structure with handles and user data (see
GUIDATA)
edit18 as a double
set (handles.edit7,'string','');
set (handles.edit8,'string','');
set (handles.edit9,'string','');
set (handles.edit10,'string','');
set (handles.edit11,'string','');
set (handles.edit12,'string','');
set (handles.edit13,'string','');
set (handles.edit14,'string','');
set (handles.edit15,'string','');
set (handles.edit16,'string','');
set (handles.edit17,'string','');
set (handles.edit18,'string','');
set (handles.edit19,'string','');
set (handles.edit20,'string','');
set (handles.edit21,'string','');
set (handles.edit22,'string','');
set (handles.edit23,'string','');
axes(handles.axes1);
plot(0);
axes(handles.axes2);
plot(0);
axes(handles.axes3);
plot(0);
axes(handles.axes4);
plot(0);
axes(handles.axes5);
plot(0);
axes(handles.axes6);
plot(0);
axes(handles.axes7);
plot(0);
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;
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