MAKALAH KLASIFIKASI KEMATANGAN BUAH APEL DENGAN PYTHON

OPENCV
Disusun untuk memenuhi Tugas Ujian Akhir Semester
Mata Kuliah Image Processing

Dosen Pengampu :
Danang Erwanto, S.T , M.T

Disusun oleh :
1. Adhe Rahmat (19310730063)
2. Syahrul Nova (19310730055)
3. Ardi Wiono (19310730064)
4. Reza Aditia Anggoro (19310730067)
5. Aditia Dafa A (19310730069)

PROGRAM STUDI TEKNIK ELEKTRO

FAKULTAS TEKNIK
UNIVERSITAS ISLAM KADIRI-KEDIRI
2022
 KATA PENGANTAR

Puji syukur kehadirat Allah SWT atas segala rahmat-Nya sehingga kami dapat
menyelesaikan tugas makalah Image Processing dengan judul “MAKALAH KLASIFIKASI
KEMATANGAN BUAH APEL DENGAN PYTHON OPENCV”.
Makalah ini dibuat untuk memenuhi tugas mata kuliah Image Processing. Dalam
penyusunan makalah ini, penyusun banyak mendapat tantangan dan hambatan akan tetapi
dengan bantuan dari berbagai pihak tantangan itu bisa teratasi. Oleh karena itu, penyusun
mengucapkan terimakasih yang sebesar-besarnya kepada semua pihak yang membantu dalam
penyusunan makalah ini, semoga bantuannya mendapat balasan yang setimpal dari Tuhan
Yang Maha Esa.
Penyusun menyadari bahwa makalah ini masih jauh dari kesempurnaan baik dari
bentuk penyusunan maupun materinya. Kritik konstruktif dari pembaca sangat penyusun
harapkan untuk penyempurnaan makalah selanjutnya.
Akhir kata semoga makalah ini dapat memberikan manfaat kepada kita sekalian.

Kediri, 09 Juli 2022

ii
 DAFTAR ISI

KATA PENGANTAR...........................................................................................................................ii
DAFTAR ISI........................................................................................................................................iii
BAB I....................................................................................................................................................1
PENDAHULUAN.................................................................................................................................1
1.1 Latar Belakang.......................................................................................................................1
1.2 Rumusan Masalah..................................................................................................................1
1.3 Tujuan Penelitian...................................................................................................................1
1.4 Manfaat Penelitian.................................................................................................................1
BAB II...................................................................................................................................................2
DASAR TEORI.....................................................................................................................................2
2.1 Phyton....................................................................................................................................2
2.2 Klasifikasi..............................................................................................................................2
2.3 Pengolahan Citra....................................................................................................................2
2.4 Teknik Pengolahan Citra........................................................................................................2
2.5 Citra Warna RGB..................................................................................................................3
2.6 Citra Warna HSV...................................................................................................................3
BAB III..................................................................................................................................................5
HASIL DAN PEMBAHASAN.............................................................................................................5
3.1 File Data uji & Script Program..............................................................................................5
3.2 Program.................................................................................................................................6
3.3 Hasil Uji................................................................................................................................7
3.3.1 Pengujian dengan data uji buah apel warna merah.........................................................7
3.3.2 Pengujian dengan data uji buah apel warna hijau...........................................................8
3.3.3 Pengujian dengan data uji buah apel warna kuning........................................................9
BAB IV..............................................................................................................................................10
PENUTUP...........................................................................................................................................10
4.1 Kesimpulan..........................................................................................................................10
DAFTAR PUSTAKA..........................................................................................................................11

iii
 BAB I
PENDAHULUAN
1.1 Latar Belakang
Indonesia merupakan negara agraris yang memiliki potensi sumber daya alam yang
melimpah, potensi sumber daya alam itu salah satunya dalam bidang perkebunan buah,
khusunya buah apel. Buah apel banyak dibudidayakan di Indonesia, khusunya di daerah
dataran tinggi.
Buah apel juga menjadi buah yang banyak dikonsumsi dan diminati oleh
masyarakat sebab harganya murah dan mudah dicari. Selain dikonsumsi secara langsung,
buah apel juga dapat dijadikakan bahan olahan seperti minuman, keripik, jenang, dll.
Namun, yang seringkali menjadi kendala dalam budidaya buah apel adalah
menentukan kematangan buah apel itu sendiri. Karena dalam menentukan kematangan
buah apel yang banyak dilakukan oleh petani maupun orang awam adalah dengan cara
melihat warna kulit buah apel. Penentuan dengan cara tersebut tidak dapat dikatakan
umum, karena setiap orang memiliki penglihatan dan persepsi yang berbeda dalam
penentuan kematangan buah apel. Atas dasar latar belakang tersebut, kami membuat
sistem pengolahan citra tentang klasifikasi kematangan buah apel untuk mempermudah
menentukan kematangan buah apel.
1.2 Rumusan Masalah
1. Bagaimana melakukan penentuan gambar buah apel untuk dijadikan data pengolahan
pada sistem yang akan dibangun?
2. Bagaimana menentukan nilai warna HSV untuk mendeteksi kematangan buah apel?
3. Bagaimana melakukan pengolahan data citra HSV yang telah didapatkan untuk
pengenalan buah apel yang mentah dan matang?
1.3 Tujuan Penelitian
1. Mampu menentukan data uji untuk pengolahan data klasifikasi kematangan buah apel.
2. Mampu menentukan nilai warna HSV untuk mendeteksi kematangan buah apel.
3. Mampu mengolah data citra HSV untuk menentukan kematangan buah apel.
1.4 Manfaat Penelitian
Manfaat dari pembuatan sistem pengolahan citra tentang klasifikasi kematangan
buah apel adalah untuk mempermudah kerja menentukan kematangan buah apel.

iv
 BAB II
DASAR TEORI
2.1 Phyton
Python adalah bahasa pemrograman tingkat tinggi yang ditafsirkan, berorientasi
objek, dengan semantik dinamis. Pemrograman tingkat tinggi yang dibangun dalam
struktur data, dikombinasikan dengan pengetikan dinamis dan pengikatan dinamis,
membuatnya sangat menarik untuk pengembangan aplikasi secara cepat, serta digunakan
sebagai bahasa scripting untuk menghubungkan komponen yang ada bersama-sama.
Sintaksis Python yang sederhana dan mudah dipelajari menekankan keterbacaan dan
karenanya mengurangi biaya pemeliharaan program. Python mendukung modul dan
paket, yang mendorong modularitas program dan penggunaan kembali kode. Interpreter
Python dan pustaka standar yang luas tersedia dalam bentuk sumber atau biner tanpa
biaya untuk semua platform utama, dan dapat didistribusikan secara bebas
(https://www.python.org/about/apps/). Python juga dapat dikolaborasikan dengan
beberapa bahasa pemrograman seperti Java, C++, Javascript.
2.2 Klasifikasi
Klasifikasi merupakan sebuah metode yang digunakan untuk mengelompokkan
data. Klasifikasi bisa juga diartikan sebagai pengelompokan data atau objek baru
kedalam suatu kelas atau kategori berdasarkan variabelvariabel tertentu. Klasifikasi
memiliki teknik data mining yang melihat dari kelompok data yang sudah didefinisikan
sebelumnya. Atribut ini digunakan sebagai variabel dalam menentukan kelas suatu objek
yang baru. Klasifikasi ini memiliki tujuan yaitu menentukan kelas dari suatu objek yang
kelasnya belum diketahui dengan akurat (nugraga, 2018). Dalam proses klasifikasi terdiri
dari dua fase, yaitu fase learning dan fase testing. Fase learning merupakan sebagian data
yang kelas datanya telah diketahui sebelumnya dan dijadikan untuk model yang akan
dibangun. Sedangkan fase testing memiliki arti fase model yang sudah terbentuk diuji
dengan sebagian data lainya untuk mengetahui akurasi dari model tersebu. Jika model
akurasinya mencukupi, model ini bisa digunakan untuk memprediksi kelas data yang
belum diketahui (Juhrah, 2015).
2.3 Pengolahan Citra
Pengolahan citra merupakan suatu proses mengolah piksel-piksel didalam suatu
citra digital yang bertujuan untuk mendapatkan hasil sesuai yang di inginkan.
Membangun citra agar mudah ditafsirkan dan difahami oleh manusia. Citra dapat berupa
gambar, vidio atau sesuatu yang sifatnya digital dan dapat dimasukan dalam memori
penyimpanan. Setiap citra dapat diperoleh dengan cara akusisi citra, yaitu dimana proses
yang dilakukan untuk mendapatkan suatu citra.
2.4 Teknik Pengolahan Citra
Menurut (Basuki, 2005:11) ada beberapa teknik dalam pengolahan citra yaitu
sebagai berikut:

v
 a Image Enhancement Suatu proses perbaikan citra dengan cara meningkatkan kualitas
citra, baik kontras maupun kecerahan.
b Image restoration Suatu proses memperbaiki model citra, sehinga menjadi bentuk
citra yang sesuai.
c Color Image Processing Suatu proses yang dikaitkan dengan citra warna, baik itu
berupa image enhancement, image restoration, ataupun yang lainya.
d Wavelet dan multiresolution processing Suatu proses citra yang menyatakan dalam
berapa resolusi.
e Image Compression Suatu proses yang digunakan untuk mengubah ukuran data dalam
suatu citra.
f Morphological Processing Proses untuk mendapatkan sebuah informasi yang
menyatakan deskripsi suatu bentuk dari sebuah citra.
g Segmentation 16 Proses untuk membedakan atau memisahkan objek-objek di dalam
suatu citra, seperti memisahkan objek dengan background.
h Object Recognition Proses yang dilakukan untuk mengenali suatu objek apa saja yang
ada didalam suatu citra.
2.5 Citra Warna RGB
Citra warna RGB merupakan suatu program yang digunakan untuk menampilkan
warna di layar. RGB termasuk salah satu dari model warna. Adapun model gambar
dengan model warna RGB memiliki tiga layer warna dasar pembentukan warna, yaitu
red, green, blue. Secara matematis, warna RGB dimodelkan seperti sistem koordinat
kartesius, dimana ketiga sumbunya bernama sumbu R, G dan B. Adapun pembagian
ruang warna pada RGB divisualisasikan sebagai kubus seperti gambar dibawah ini. Pada
gambar tersebut dapat diasumsikan semua nilai warna telah dinormalisasi oleh sistem
sehingga rentang nilai yang dihasilkan adalah [0,1]. Nilai warna RGB yang utama
terdapat pada sudut utama sumbu koordinat. Sedangkan sudut-sudut kubus selain kubus
utama, merepresentasikan bahwa nilai warna sekunder yang dihasilkan adalah perpaduan
warna utama. Warna sekunder tersebut, yaitu magenta, cyan, dan yellow. Di titik pusat
koordinat (0,0,0), merepresentasikan warna hitam, sedangkan warna putih terletak di
sudut kubus yang letaknya paling jauh dari titik nol atau di koordinat (1,1,1). Diagonal
ruang yang ditarik dari (0,0,0) sampai (1,1,1), merupakan rentang nilai yang akan
menghasilkan warna gradasi keabuan (Pamungkas, 2015).
2.6 Citra Warna HSV
Model warna HSV mendefinisikan warna dalam terminologi Hue, Saturation dan
Value. Hue menyatakan warna sebenarnya, seperti merah, violet, dan kuning. Hue
digunakan untuk membedakan warna-warna dan menentukan kemerahan (redness),
kehijauan (greeness), dsb, dari cahaya. Hue berasosiasi dengan panjang gelombang
cahaya. Saturation menyatakan tingkat kemurnian suatu warna, yaitu mengindikasikan

vi
seberapa banyak warna putih diberikan pada warna. Value adalah atribut yang
menyatakan banyaknya cahaya yang diterima oleh mata tanpa memperdulikan warna. 17
Gambar 2.5 Model Warna HSV 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. HSV merupakan salah satu cara
untuk mendefinisikan warna yang didasarkan pada roda warna. Hue mengukur sudut
sekitar roda warna (merah pada 0 derajat, 120 derajat di hijau, biru, di 240 derajat).
Saturation yang menunjukkan pada radius roda warna sehingga menunjukkan proporsi
antara gelap (pusat) untuk warna ke putih murni (di luar).Value Menunjukkan nilai
kecerahan. Hue memiliki nilai antara 0 hingga 360 (derajat), Saturation and Value
berkisar dari 0 hingga 100%.

vii
 BAB III
HASIL DAN PEMBAHASAN
3.1 File Data uji & Script Program
Hal pertama yang harus dilakukan pada pembuatan sistem klasifikasi kematangan
buah apel menggunakan python open-cv adalah menentukan data uji dan membuat script
program. Yang perlu menjadi perhatian adalah penempatan lokasi penyimpanan kedua
file tersebut. Hal ini dilakukan supaya saat program dijalankan dapat mengenali data uji
atau gambar yang akan di ekstraksi, sehingga sistem berjalan sesuai dengan yang
diharapkan.

viii
3.2 Program

ix
3.3 Hasil Uji
3.3.1 Pengujian dengan data uji buah apel warna merah
Pengujian pertama dilakukan dengan menggunakan data uji gambar buah
apel dengan warna dominan merah. Hasil pengolahan data pada sistem
menampilkan nilai warna merah (28066), hijau (0), kuning (15). Dari hasil
perolehan nilai tersebut maka buah apel dengan warna dominan merah di
klasifikasikan sebagai buah apel sudah matang.

x
3.3.2 Pengujian dengan data uji buah apel warna hijau
Pengujian kedua dilakukan dengan menggunakan data uji gambar buah apel
dengan warna dominan hijau. Hasil pengolahan data pada sistem menampilkan
nilai warna merah (78), hijau (179), kuning (56). Dari hasil perolehan nilai tersebut
maka buah apel dengan warna dominan hijau di klasifikasikan sebagai apel belum
matang.

xi
3.3.3 Pengujian dengan data uji buah apel warna kuning
Pengujian ketiga dilakukan dengan menggunakan data uji gambar buah apel
dengan warna dominan kuning. Hasil pengolahan data pada sistem menampilkan
nilai warna merah (44), hijau (0), kuning (56671). Dari hasil perolehan nilai
tersebut maka buah apel dengan warna dominan kuning di klasifikasikan sebagai
buah apel setengah matang.

xii
 BAB IV
PENUTUP
4.1 Kesimpulan
Berdasarkan penelitian yang telah dilakukan menggunakan software python open-
cv dan berdasarkan hasil pengujian maka dapat diketahui bahwa klasifikasi kematangan
buah apel menggunakan hasil ekstraksi citra warna HSV dapat menghasilkan tingkat
akurasi kebenaran yang cukup tinggi.

xiii
 DAFTAR PUSTAKA
Mahmudati, Rina. & Ardiansyah Wahyu, Aprinda. KLASIFIKASI TINGKAT KEMATANGAN
BUAH CARICA MENGGUNAKAN FUZZY LOGIC. JURNAL DEVICE, 11(2), 1-4.
Wardani, Lidia. 2020. “KLASIFIKASI JENIS DAN KEMATANGAN BUAH PEPAYA
BERDASARKAN FITUR WARNA, TEKSTUR, DAN BENTUK MENGGUNAKAN
SUPPORT VECTOR MACHINE”. Usulan tugas akhir. Mataram: Universitas Mataram.
Siswanto, Irwan. & Utami, Ema. & Raharjo Suwanto. 2020. KLASIFIKASI TINGKAT
KEMATANGAN BUAH BERDASARKAN WARNA DAN TEKSTUR MENGGUNAKAN
METODE K-NEARST NEIGHBOR DAN NEAREST MEAN CLASSIFIER (NMC).
Jurnal Teknologi Informasi dan Komunikasi, 10(1), 93-101.

xiv