1 PB

Coding : Jurnal Komputer dan Aplikasi ISSN: 2338-493X
Volume 08, No. 1 (2020), hal 1-10
PENERAPAN METODE TRANSFORMASI RUANG WARNA HUE

SATURATION INTENSITY (HSI) UNTUK MENDETEKSI
KEMATANGAN BUAH MANGGA HARUM MANIS
Hendryanto Edha1, Sampe Hotlan Sitorus2, Uray Ristian3

1,2,3
Jurusan Rakayasa Sistem Komputer, Fakultas MIPA Universitas Tanjungpura
Jalan Prof. Dr. H. Hadari Nawawi, Pontianak
Telp./Fax: (0561) 577963
e-mail: 1edhasiskom@student.untan.ac.id, 2sitorus.hotland@gmail.com,
3
eristian@siskom.untan.ac.id
Abstrak
Mangga Harum Manis merupakan salah jenis buah mangga yang berasal dari daerah
Probolinggo, Jawa Timur yang memiliki ciri khas berupa bau yang harum dan rasa yang manis.
Permasalahan yang terjadi adalah setelah memilih atau memilah buah mangga, sering ditemukan
beberapa buah mangga yang belum matang yang berarti tidak semua mangga yang dipilih secara
konvensional adalah mangga yang sudah matang. Berdasarkan permasalahan yang dihadapi, pada
penelitian ini dilakukan perancangan sistem yang dapat mendeteksi kematangan pada buah
Mangga Harum Manis dengan menerapkan metode Hue Saturation Intensity (HSI) pada aplikasi
pengolahan citra, sehingga dapat menentukan buah mangga yang sudah matang. Pengujian yang
dilakukan dengan menggunakan data sampel sebanyak 20 buah yang terdiri dari 10 sampel latih
berupa citra buah mangga matang dan 10 sampel uji yang terdiri dari 5 sampel buah mangga
matang dan 5 sampel buah mangga mentah didapatkan hasil akurasi tingkat keberhasilan sebesar
87%, sehingga dapat disimpulkan bahwa metode Transformasi Ruang Warna HSI dapat
digunakan untuk mendeteksi kematangan buah Mangga Harum Manis.
Kata kunci: Mangga Harum Manis, HSI, Pengolahan Citra Digital
1. PENDAHULUAN matang yang berarti tidak semua mangga yang

Mangga awalnya berasal dari wilayah dipilih secara konvensional adalah mangga
India yang kemudian menyebar ke Asia yang sudah mtang. Berdasarkan permasalahan
Tenggara, termasuk Indonesia, bahkan sampai yang dihadapi, pada penelitian ini dilakukan
ke Eropa dan Afrika. Mangga memiliki nama perancangan sistem yang dapat mendeteksi
ilmiah adalah Mangifera Indica yang kematangan pada buah Mangga Harum Manis.
mengandung arti “buah mangga yang berasal Dengan menerapkan metode Hue Saturation
dari India”. Jenis-jenis mangga yang beredar di Intensity (HSI) pada aplikasi pengolahan citra,
masyarakat bermacam-macam, yaitu Mangga diharapkan dapat membantu masyarakat dalam
Gedong, mangga Harum Manis, Mangga memilih buah Mangga Harum Manis yang
Cengkir, Mangga Golek, Mangga Gincu, dan sudah matang.
sebagainya [1]. Mangga Harum Manis adalah Penelitian tentang kematangan buah
salah satu jenis lain dari buah mangga yang mangga telah dilakukan oleh Eddy Murraharjo
berasal dari daerah Probolinggo, Jawa Timur. dengan judul “Klasifikasi Kematangan Buah
Mangga Harum Manis memiliki ciri-ciri Mangga “Harum Manis” Berdasarkan Digital
buahnya berbentuk jorong, berparuh sedikit Number (DN) of RGB” [2]. dengan nilai tingkat
dan ujungnya meruncing. keberhasilan dapat diamati terhadap masing-
Permasalahan yang terjadi adalah dalam masing kategori kelas yaitu mentah, matang dan
memilih atau memilah buah mangga, sering masak terhadap sampel sebanyak 15 file citra
ditemukan beberapa buah mangga yang belum pelatihan dan 69 file citra pengujian, dengan
tingkat keberhasilan mencapai 100% saat
1
Volume 08, No. 1 (2020), hal 1-10
 ISSN: 1978-1520
sistem klasifikasi diujikan untuk file citra dan informasi yang bersifat abstrak. Informasi
pelatihan dan 74% saat sistem diujikan untuk dasar adalah informasi yang dapat diolah secara
file citra pengujian. langsung tanpa membutuhkan natuan tambahan
Penelitian tentang kematangan buah telah pengetahuan khusus. Informasi dasar ini berupa
dilakukan oleh Indarto dengan judul “Deteksi warna (color), bentuk (shape) dan tekstur
Kematangan Buah Pisang Berdasarkan Fitur (texture). Analisis terhadap informasi dasar
Warna Citra Kulit Pisang Menggunakan citra dikenal dengan sebutan low level image.
Metode Transformasi Ruang Warna HIS” [3]. Informasi abstrak adalah informasi yang tidak
Hasil yang didapat pada penelitian ini adalah secara langsung dapat diolah kecuali dengan
penerapan metode HIS menghasilkan nilai bantuan tambahan pengetahuan khusus. Contoh
akurasi kesesuaian sebesar 85% terhadap 20 informasi yang bersifat abstrak adalah ekspresi
sampel buah dimana 10 buah pisang Ambon wajah di dalam sebuah citra yang dapat
mentah dan 10 buah pisang Ambon matang. menggambarkan situasi perasaan seseorang
Penelitian tentang deteksi menggunakan (keadaan sedih, senang, marah, dan lainnya).
transformasi warna telah dilakukan oleh Contoh lain informasi abstrak adalah gamabran
Aribowo dengan judul “Deteksi Jenis Warna peristiwa atau situasi (event) saat citra itu
Kulit Wajah Untuk Klasifikasi Ras Manusia direkam. Kedua informasi ini tidak dapat
Menggunakan Transformasi Warna” [4]. Hasil dianalisis dan dikenali oleh komputer kecuali
dari penelitian ini adalah penerapan metode menggabungkan informasi dasar dengan
Transformasi Warna menunjukkan persentase tambahan pengetahuan khusus [6].
ketepatan yang cukup baik, yaitu dengan rata-
rata sebesar 85% dengan menggunakan 20 2.2. Pengolahan Citra Digital
contoh sampel wajah manusia dari berbagai ras. Pengolahan citra merupakan proses
Dari permasalahan yang telah diuraikan, pengolahan dan analisis citra yang banyak
maka dilakukan suatu penelitian untuk melibatkan persepsi visual. Proses ini
meneteksi kematangan pada buah Mangga mempunyai ciri data masukan dan informasi
Harum Manis. Diharapkan dengan adanya keluaran yang berbentuk citra. Istilah
penelitian ini dapat membantu masyarakan pengolahan citra digital secara umum
dalam memilih buah Mangga Harum Manis didefinisikan sebagai pemrosesan citra dua
yang sudah matang. dimensi dengan komputer.
Citra digital umumnya dua dimensi (2D)
2. LANDASAN TEORI yang dinyatakan dalam bentuk matriks dengan
2.1. Citra jumlah elemen berhingga. Setiap elemen
Citra adalah kombinasi antara titik, garis, matriks citra memiliki posisi koordinat x dan y
bidang dan warna untuk menciptakan suatu tertentu dan juga memiliki nilai. Setiap elemen
imitasi dari suatu objek, biasanya objek fisik matriks citra disebut piksel (picture element,
atau manusia. Citra bisa berwujud gambar image element atau pel). Nilai setiap pikse f
(picture) dua dimensi, seperti lukisan, foto, dan pada posisi koordinat x dan y
berwujud tiga dimensi seperti patung. mempresentasikan intensitas warna dan dapat
Dapat dikatakan juga citra merupakan dikodekan dalam 24 bit untuk citra berwarna (
sebaran variasi gelap-terang, redup-cerah, atau dengan tiga komponen warna RGB: R = red, G
warna-warni di suatu bidang datar. Formalitas = green dan B = blue), 8 bit untuk citra gray-
pengungkapan dengan angka-angka yang level atau 1 bit untuk citra biner [6].
merepresentasikan variasi intensitas kecerahan Komputer mengolah data citra secara
atau warna pada arah mendatar dan tegak [5]. digital, maka citra yang semula bersifat analog,
Secara fisik atau visual, sebuah citra yaitu dapat bernilai kecerahan sembarang
adalah representasi dari informasi yang sesuai sifat asli objek, diubah menjadi data
terkandung di dalamnya sehingga mata manusia terkuantisasi, yaitu hanya pada nilai-nilai bulat
dapat menganalisis dan mengintrpretasikan tertentu (diskret). Standar umum adalah
informasi tersebut sesuai dengan tujuan yang sebanyak 256 aras (level) intensitas, dengan
diharapkan. Kandungan informasi citra dapat sandi atau kode biner sebanyak 8 digit (bit) atau
dibagi menjadi dua bagian yaitu informasi dasar byte. Untuk ketelitian daapt lebih banyak dari
2
Volume 08, No. 1 (2020), hal 1-10
256 aras, dan sebaliknya dapat pula lebih sedikit citra) didefinisikan pada (x,y) = (0,0). Nilai
bila telah mencukupi. Pengertian ketelitian dan koordinat berikutnya sepanjang baris pertama
mencukupi hubungan dengan kuanntitas dan citra adalah (x,y) = (0,1). Jadi penting untuk
kualitas informasi yang diharapkan dari hasil diingat bahwa notasi (0,1) digunakan untuk
pengolahan. menandai contoh kedua sepanjang baris
Resolusi citra merupakan tingkat detail pertama [7].
suatu citra. Semakin tinggi resolusi citra maka
akan semakin tinggi pula tingkat detail dari citra 2.5. Akuisisi Citra
tersebut. Satuan dalam pengukuran resolusi Akuisisi adalah tahap awal untuk
citra dapat berupa ukuran fisik (jumlah garis per mendapatkan citra digital. Akuisisi citra
mm / jumlah garis per inchi) ataupun dapat juga merupakan proses menangkap (capture) atau
berupa ukuran citra menyeluruh (jumlah garis memindai (scan) suatu citra analog sehingga
per tinggi citra). diperoleh citra digital. Beberapa faktor yang
perlu diperhatikan dalam proses akuisisi citra
2.3. Representasi Citra Digital antara lain adalah: jenis alat akuisisi resolusi
Representasi citra digital adalah sebuah kamera, teknik pencahayaan, perbesaran atau
aktivitas dalam kegiatan pengolahan citra zooming, jarak, dan sudut pengambilan citra.
digital, dimana kegiatan ini merupakan proses Akuisisi citra adalah pemetaan suatu pandangan
menampilkan kembali suatu citra yang telah (scane) enjadi citra kontinu dengan
melalui tahap digitizing (proses pengubahan menggunakan sensor. Ada beberapa macam
bentuk citra analog ke dalam format digital agar sensor untuk akuisisi citra, yaitu:
mampu dilakukan proses manipulasi oleh 1. Sensor Tunggal (Single Sensor).
komputer) dengan cara mencacah gambar 2. Sensor Garis (Strip Sensor).
tersebut dalam bentuk titik-titik warna yang 3. Sensor Larik (Array Sensor).
ditandai dengan angka yang menunjukkan
tingkat kecerahan warna tersebut, kemudian 2.6. Preprocessing Citra
dipetakan dengan menggunakan sistem Preprocessing adalah tahan pemrosesan
koordinat. data (dalam hal ini citra digital) agar data dapat
Sebuah citra dapat didefinisikan sebagai dan layak digunakan untuk tahap berikutnya.
fungsi dua dimensi f(x,y), dimana x dan y Hal ii dilakukan karena hasil citra digital dari
adalah koordinat spasial dan amplitudo dari f proses akuisisi biasanya meiliki beberapa
pada sembarang pasangan koordinat (x,y) masalah, misalnya terjadinya noise atau adanya
disebut intensitas citra (gray level / tingkat objek-objek pengganggu. Beberapa masalah
keabuan) pada titik tersebut. Warna citra tersebut disebabkan oleh kurang akuratnya
dibentuk oleh kombinasi citra 2-D individual. sensor atau transducers yang digunakan saat
Misalnya dalam sistem warna RGB, warna citra proses akuisisi. Tujuan preprocessing adalah
terdiri dari tiga okmponen individu (red, green, untuk membuat citra digital agar sesuai dengan
blue). Untuk alasan ini banyak cara kebutuhan ekstraksi fiturnya. Preprocessing
dikembangkan untuk citra monokrom dapat memerlukan tahapan untuk menjamin
diperluas ke citra berwarna oleh pemrosesan kelancaran pada proses berikutnya, antara lain:
tiga komponen citra. 1. Peningkatan Kualitas Citra (kontras,
kecerahan, dll).
2.4. Konversi Koordinat 2. Menghilangkan Noise
Hasil dari sampling dan kuantisasi adalah 3. Perbaikan Citra (image restoration).
matriks dengan tipa data real. Asumsikan 4. Transformasi (image transformation).
bahwa citra f(x,y) dicoba sehingga 5. Menentukan bagian citra yang akan
menghasilkan citra yang mempunyai baris M diobservasi.
dan kolom N, sehingga disebut citra berukuran
M x N. Nilai dari koordinat (x,y) adalah 2.7. Segmentasi Citra
kuantitas diskrit. Untuk kejelasan notasi dan Segmentasi merupakan bagian dari tahap
kemudahan maka digunakan nilai integer untuk preprocessing yang bertujuan untuk
koordinat diskrit ini. Image Origin (tiitik awal memisahkan objek tertentu yang dikehendaki
3
Volume 08, No. 1 (2020), hal 1-10
 ISSN: 1978-1520
(foreground) dengan objek yang lain yang tidak Saturation atau saturasi merupakan atribut
dikehendaki (backgorund). Output segmentasi warna yang menggambarkan sebuah warna
biasanya berupa citra biner, dimana foreground murni (pure color) seperti kuning murni, atau
diberi simbol ‘1’ dan background diberi simbol merah murni. Parameter ini tergantung pada
‘0’. Beberapa metode segmentasi yang biasa banyaknya panjang gelombang yang
digunakan adalah thresholding, berkontribusi pada persepsi warna yang
multithresholding, deteksi tepi, k-means dihasilkan. Sederhananya, semakin lebar range
clustering, filter gabor, fuzzy c-means dari panjang gelombangnya maka semakin
clustering, watershed, transformasi hough dan tidak murni warna tersebut (S mendekati 0).
lain-lain. Sebaliknya, semakin sempit range dari panjang
gelombangnya maka semakin murni warna
2.5. Citra Berwarna RGB tersebut (S mendekati 1).
Red (Merah), Green (Hijau), Blue (Biru) Intensitas merupakan istilah yang cocok
merupakan warna dasar yang dapat diterima digunakan dalam menjelaskan sebuah warna
oleh mata manusia. Setiap piksel pada citra selain Hue dan Saturasinya. Nilai I=0 (keadaan
warna mewakili warna yang merupakan ekstrem yang mungkin saja terjadi) menyatakan
kombinasi dari ketiga warna dasar RGB. Setiap warna hitam. Seperti diketahui bahwa intensitas
titik pada citra warna membutuhkan data yang merupakan aras keabuan (grayscale)
sebesar 3 byte. Setiap warna dasar memiliki sangat cocok dalam menginterpretasikan
intensitas tersendiri dengan nilai minimum nol tingkat warna monokromatis. Sehingga dengan
(0) dan nilai maksimum 255(8 bit). RGB aras keabuannya itu, dapat diukur dan
didasarkan pada teori bahwa mata manusia peka diinterpretasikan dengan mudah.
terhadap panjang gelombang 630nm (merah), Untuk mengubah ruang warna RGB ke
530 nm (hijau), dan 450 nm (biru). Gambar 2.3 HSI dapat diikuti langkah-langkah berikut ini:
menampilkan contoh representasi warna RGB.
Hitung
2.6. Hue Saturation Intensity (HSI) ( − )+( + ) (1)
= cos
Model HSI merupakan sistem warna yang 2 ( + ) + ( + )( + )
paling mendekati cara kerja mata manusia. HSI
menggabungkan informasi, baik warna maupun
Hitung H (Hue)
grayscale dari sebuah citra. Sementara itu,
≤ (2)
model warna RGB dan CMY tidak cocok untuk =
360 − >
mendeskripsikan warna berdasarkan
interpretasi manusia. Ruang warna ini tampak
lebih realistis dalam menggambarkan warna Hitung S (Saturation)
secara alami dan intuitif terhadap manusia. min( , , ) (3)
Model warna RGB tidak cocok untuk beberapa =1−3
( + + )
aplikasi pengolahan citra, khususnya pada
aplikasi pengenalan objek akan lebih mudah
mengidentifikasi objek dengan perbedaan hue, Hitung I (Intensity)
yaitu dengan cara memberikan nilai ambang 1 (4)
= ( + + )
pada rentang nilai-nilai hue yang melingkupi 3
objek daripada menggunakan model warna Keterangan:
RGB [8]. R : Intensitas Warna Merah (red)
Hue merupakan besar sudut antara warna G : Intensitas Warna Hijau (green)
referensi dengan vektor S (saturation). Warna B : Intensitas Warna Biru (blue)
referensi biasanya adalah warna merah tapi bisa
saja warna yang lain. Nilai H terletak antara 0 2.7. Cosine Similarity
derajat – 360 derajat terhadap axis warna Cosine Similarity adalah ukuran kesamaan
merah. Sudut ini menggambarkan warna murni antara dua buah vektor dalam sebuah ruang
yang ditipiskan oleh cahaya putih. dimensi yang didapat dari nilai cosinus sudut
dari perkalian dua buah vektor yang
4
Volume 08, No. 1 (2020), hal 1-10
dibandingkan karena cosinus dari 0 adalah 1 kelas yang diprediksi secara benar yaitu ( +
dan kurang dari 1 untuk nilai sudut yang lain, ) dan data yang diklasifikasikan secara salah
maka nilai similarity dari dua buah vektor yaitu ( + ). Dengan mengetahui jumlah
dikatakan mirip ketika nilai dari cosine data yang diklasifikasikan secara benar maka
similarity adalah 1. dapat diketahui akurasi hasil prediksi. Untuk
Cosine similarity digunakan dalam ruang menghitung akurasi digunakan persamaan
positif, dimana hasilnya dibatasi antara nilai 0 berikut:
dan 1. Jika nilainya 0 maka buah mangga = (6)
tersebut dikatakan mentah dan jika nilainya 1
maka nilai tersebut dikatakan matang. Buah +
=
mangga dianggap matang jika mencapai nilai + + +
batas yang ditentukan (0.831646). Untuk
menghitung nilai kesamaan dengan cosine 2.9. Mangga Harum Manis
similarity menggunakan persamaan berikut ini: Mangga atau mempelam adalah nama
sejenis buah dan sekaligus ama pohon yang
∑ . termasuk ke dalam marga Mangifera dan suku
cos = (5)
∑ ( ) ∑ ( ) Anacardiaceae yang memiliki sekitar 35 – 40
anggota. Tanaman dan buah mangga berasal
dari sekitar perbatasan Infia dengan Burma.
Keterangan: Pohon mangga termasuk tumbuhan tingkat
Ai = komponen dari vektor A tinggi yang struktur batangnya (habitus)
Bi = komponen dari vektor B termasuk kelompok arboreus, yaitu tumbuhan
berkayu yang mempunyai tinggi batang lebih
2.8. Matriks Confusion dari 5 meter. Buah manga termasuk ke dalam
Matriks confusion merupakan tabel yang kelompok buah batu (drupa) yang berdaging
mencatat hasil kerja klasifikasi. Tabel 2.1 dengan memiliki ukuran dan bentuk yang
merupakan contoh matriks confusion yang berbeda-beda tergantung pada spesiesnya,
melakukan klasifikasi masalah biner (dua kelas) mulai dari bulat, bulat telur hingga lonjong
untuk dua kelas, misalnya kelas 0 dan 1. Setiap memanjang. Kulit buah mangga agak tebal
sel dalam matriks menyatakan jumlah berbintik kelenjar berwarna hijau, kekuningan
record / data dari kelas i yang hasil atau kemerahan saat masak. Daging buah jika
prediksinya masuk ke kelas j. Misalnya sel masak berwarna merah jingga, kuning atau
adalah jumlah data dalam kelas 1 yag krem, berserabut atau tidak, manis sampai
masam dengan banyak air atau berbau kuat
secara benar dipetakan ke kelas 1, dan
sampai lemah. Biji berwarna putih, gepeng
adalah data dalam kelas 1 yang dipetakan memanjang tertutup endokarp yang tebal,
secara salah ke kelas 0 [9]. mengayu dan berserat.
Tabel 2.1. matriks confusion untuk Mangga Harum Manis (Manigfera indica
klasifikasi 2 kelas L) tergolong varietas mangga dari Probolinggo
Jawa Timur. Disebut Mangga Harum Manis
Kelas Hasil Prediksi karena memiliki rasa yang mains dan juga
(j) memiliki bau yang harum saat buah matang
yang menjadi ciri khas dari buah Mangga
Kelas = Kelas = Harum Manis. Pohon mangga Harum Manis
1 0 tidak begitu besar dengan tinggi sekitar 9 m.
Buah Mangga Harum Manis yang sudah
Kelas Kelas = 1 matang, pangkalnya berwarna hijau
Asli (i) Kelas = 0 kekuningan, ketebalan kulit sedang. Pada
permukaan kulit buah terdapat bintik-bintik
kelenjar berwarna putih kehijauan. Buah
Berdasarkan isi matriks confusion, maka berbentuk bulat panjang dengan rata-rata
dapat diketahui jumlah data dari masing-masing panjangnya sekitar 15 cm. Pada ujung buah
5
Volume 08, No. 1 (2020), hal 1-10
 ISSN: 1978-1520
terdapat paruh dan sinus (lekukan) yang terlihat sumber yang digunakan sebagai sumber
jelas. Daging buah Mangga Harum Manis tebal, literatur adalah buku, jurnal ilmiah dan sumber
lunak, berwarna kuning, dan tidak berserat. tertulis lainnya.
Selanjutnya dilakukan pengumpulan data
3. METODE PENELITIAN untuk penelitian ini, kemudian dilakukan
Metode penelitian terdiri dari beberapa analisa kebutuhan terhadap perangkat keras dan
tahapan kerja, adapun tahapan kerja yang perangkat lunak, setelah data terkumpul
dilakukan untuk mencapai tujuan pada dilakukan tahapan perancangan sistem yang
penelitian ini adalah identifikasi masalah, studi diintegrasikan menjadi suatu sistem sehingga
literatur, analisa kebutuhan, perancangan berfungsi sebagaimana mestinya. Tahapan
sistem, implementasi sistem, pengujian sistem, selanjutnya, dilakukan implementasi dan
dan penulisan laporan. Flowchart metode pengujian untuk mengetahui kinerja sistem.
penelitian dapat dilihat pada Gambar 1.
4. PERANCANGAN SISTEM
4.1. Flowchart Sistem
Gambar 1. Metodologi Penelitian

Gambar 2. Flowchart Sistem
Tahapan pertama dalam metode penelitian Sistem dimulai ketika pengguna
ini adalah studi literatur, studi ini dilakukan memasukkan data sampel citra latih dan sampel
untuk mencari informasi dengan mengkaji citra uji berupa citra dari buah Mangga Harum
eberapa literatur, seperti Transformasi Ruang Manis yang akan dilakukan proses deteksi
Warna HSI, metode Cosine Similarity, dan kematangan. Kemudian sistem melakukan
tentang buah Mangga Harum Manis. Sumber- proses preprocessing citra yaitu proses dimana
6
Volume 08, No. 1 (2020), hal 1-10
sampel citra latih dan sampel citra uji yang telah berupa keterangan matang atau mentahnya
dimasukkan kedalam sistem melakukan proses buah yang dideteksi.
transformasi citra dari citra RGB ke citra HSI
untuk selanjutnya akan diproses. Kemudian
sistem melakukan proses segmentasi citra yaitu
proses dimana citra yang telah di transformasi
menjadi citra HSI dicroping pada bagian
buahnya untuk memisahkan antara objek yang
akan dideteksi dengan background pada sampel
citra latih dan sampel citra uji. Setelah
didapatkan sampel citra yang ingin dideteksi (a) (b)
selanjutnya sistem menghitung nilai similarity
atau nilai kesamaan antara sampel citra latih dan Gambar 4. Transformasi Ruang Warna HSI (a)
sampel citra uji dengan menggunakan metode Citra RGB, (b) citra HIS
Cosine Similarity. Jika nilai similarity yang
didapatkan lebih besar atau sama dengan nilai 5.2. Pengujian sistem
batas yang ditentukan maka sistem akan Pada pengujian sistem disimulasikan
menampilkan output berupa nilai similarity atau dengan menggunakan aplikasi Pengolahan
nilai kesamaan yang didapatkan pada sistem Citra dengan memasukkan 1 sampel citra latih
dan output berupa matang atau mentah dari dan 1 sampel citra uji dari buah Mangga Harum
buah yang akan dideteksi. Manis. Sampel tersebut diproses dengan
menggunakan metode transformasi ruang
5. HASIL Dan PEMBAHASAN warna HSI. Citra sampel manga yang sudah
5.1. Tampilan Antarmuka Sistem ditransformasi diambil pada bagian kulit
buahnya pada sampel citra latih dan sampel
citra uji untuk memisahkan objek dengan
background. Proses selanjutnya yang dilakukan
adalah menghitung nilai kesamaan atau
similarity antara sampel citra latih dan sampel
citra uji dengan rumus cosine similarity yang
akan menentukan buah mangga yang diuji
tersebut apakah matang atau mentah.
Pengujian dilakukan pada 20 citra buah
Mangga Harum Manis yang terdiri 10 sampel
matang citra latih buah Mangga Harum Manis
dengan 5 sampel matang citra uji buah Mangga
Harum manis dan 10 sampel matang citra latih
buah Mangga Harum Manis dengan 5 sampel
mentah citra uji buah Mangga Harum Manis.
Pengujian sistem dilakukan untuk mengetahui
Gambar 3. Antarmuka Sistem
tingkat keberhasilan sistem dalam mendeteksi
Gambar 3, menampilkan tampilan kematangan buah Mangga Harum Manis
antarmuka sistem. Pada tampilan antarmuka menggunakan aplikasi pengolahan citra.
sistem pengguna dapat memasukkan citra dari
buah Mangga Harum Manis yang akan Tabel 1. Hasil Kematangan Mangga Matang
dilakukan deteksi kematangan. Setelah citra Sampel Sampe Nilai
No Status
buah Mangga Harum Manis dimasukkan Latih l Uji Similarity
kedalam sistem deteksi kematangan akan Mangga 1 0.929174 Benar
menampilkan output berupa nilai similarity Mangga 2 0.931314 Benar
Mangga 3 0.939469 Benar
atau kesamaan antara sampel citra latih dan 1 11
sampel citra uji serta akan menampilkan output
7
Volume 08, No. 1 (2020), hal 1-10
 ISSN: 1978-1520
Mangga 7 0.949134 Benar Mangga 3 0.865857 Benar
2 Mangga 1 0.940153 Benar Mangga 7 0.878577 Salah
Mangga 4 0.944618 Benar Mangga 10 0.879619 Salah
12
2 22
3 13
3 23
4 14
4 24
5 15
5 25
Rata-rata 0.9024 Mangga 7 0.827833 Benar
Dari 5 sampel citra matang pada buah Mangga 8 0.822816 Benar
Mangga Harum Manis memiliki nilai rata-rata Mangga 9 0.796581 Benar
sebesar 0.9024 dan berada diatas nilai batas Mangga 10 0.815891 Benar
yang ditentukan sebesar 0. 867023. Rata-rata 0.831646
Dari 5 sampel citra matang pada buah
Tabel 1. Hasil Kematangan Mangga Mentah Mangga Harum Manis memiliki nilai rata-rata
No Sampel Sampe Nilai Status sebesar 0.831646 dan berada dibawah nilai
Latih l Uji Similarity batas yang ditentukan sebesar 0. 867023.
1 21
8
Volume 08, No. 1 (2020), hal 1-10
5.3. Pembahasan 6. KESIMPULAN DAN SARAN

Berdasarkan hasil pengujian yang telah 6.1. Kesimpulan
dilakukan dapat disimpulkan bahwa dari hasil Berdasarkan penelitian yang telah
pengujian dilakukan pada citra buah mangga dilakukan, diperoleh kesimpulan sebagai
sebanyak 20 sampel yang terdiri dari 10 sampel berikut:
latih berupa citra buah mangga matang dan 10 1. Pengujian yang dilakukan terhadap 5
sampel uji yang terdiri dari 5 sampel buah sampel citra uji berupa buah mangga
mangga matang dan 5 sampel buah mangga matang terhadap 10 sampel citra latih
mentah menghasilkan nilai rata-rata berupa buah mangga matang mendapatkan
berdasarkan hasil pengujian pada citra uji nilai rata-rata sebesar 0.9024, sedangkan
berupa citra matang buah Mangga Harum untuk pengujian yang dilakukan terhadap
Manis sebesar 0.9024 sedangkan untuk 5 sampel citra uji berupa buah mangga
pengujian yang dilakukan dengan citra uji mentah terhadap 10 sampel citra latih
berupa citra mentah buah Mangga Harum berupa buah mangga matang mendapatkan
Manis menghasilkan nilai rata-rata sistem nilai rata-rata sebesar 0.831646.
sebesar 0.831646. Dari nilai rata-rata yang telah 2. Nilai persentase tingkat keberhasilan
diketahui maka dapat dihitung nilai tengah yang sistem untuk mendeteksi ematangan buah
digunakan sebagai nilai batas untuk Mangga Harum Manis yang didapatkan
menentukan kematangan buah Mangga Harum sebesar 87%.
Manis adalah sebesar 0.867023.
6.2. Saran
Tabel 3. Hasil Prediksi
Adapun hal yang menjadi saran untuk
Kelas Hasil Prediksi (j)
pengembangan sistem deteksi kematangan buah
Mentah Matang Mangga Harum Manis agar menjadi lebih baik
Kelas Mentah 37 13 kedepannya adalah dengan membuat sistem
deteksi berbasis Mobile sehingga dapat
asli (i) Matang 0 50 memudahkan pengguna mengakses sistem.
Berdasarkan table 3 yang menunjukkan
jumlah sampel yang bernilai benar, sehingga DAFTAR PUSTAKA
dapat dihitung nilai akurasi sistem dengan [1] Caca, & Cahaya, T. (2010). Budidayakan
menggunakan persamaan 6 sebesar: Mangga, Yuk. Jakarta Timur.
ℎ [2] Nurraharjo, E. (2010). Klasifikasi
= Kematangan Buah Mangga "Harum
ℎ
+ Manis" Berdasarkan Digital Number
= (DN) of RGB.
+ + +
37 + 50 [3] Indarto, & Murinto. (2017). Deteksi
= Kematangan Buah Pisang Berdasarkan
37 + 13 + 0 + 50
87 Fitur Warna Citra Kulit Pisang
= Menggunakan Metode Transformasi
100
= 0.87 Ruang Warna HIS.
Berdasarkan hasil perhitungan tersebut [4] Murinto, Aribowo, E., & Nurhidayati, W.
maka diketahui nilai akurasi sistem yang (2008). Deteksi Jenis Warna Kulit Wajah
didapatkan dari 20 sampel citra buah Mangga Untuk Klasifikasi Ras Manusia
Harum Manis sebesar 0.87 atau 87%. Menggunakan Transformasi Warna.
Berdasarkan nilai persentase tingkat [5] Sulistiyanti, S. R., Setyawan, F. A., &
keberhasilan diatas, dapat disimpulkan bahwa Komarudin, M. (2016). Pengolahan
metode Transformasi Ruang Warna Hue Citra Dasan dan Contoh Penerapannya.
Saturation Intensity (HSI) dapat digunakan Yogyakarta.
untuk mendeteksi kematangan pada buah [6] Madenda, S. (2015). Pengolahan Citra
Mangga Harum Manis. dan Video Digital. Jakarta: Erlangga.
9
Volume 08, No. 1 (2020), hal 1-10
 ISSN: 1978-1520
[7] Prasetyo, E. (2011). Pengolahan Citra
Digital dan Aplikasinya menggunakan
Matlab. Yogyakarta.
[8] Sutoyo, T. d. (2009). Teori Pengolahan
Citra Digital. Yogyakarta.
[9] Prasetyo, E., (2014). Data Mining
Mengolah Data Menjadi Informasi
Menggunakan Matlab. Yogyakarta:
Andi.
[10] Hendry, J. (2012). Color Conversion -
RGB to HSI.
[11] Gonzalez, R. C., & Woods, R. E. (2002).
Digital Image Processing, Second
Edition . New Jersey.
[12] Wahyuni, R. T., Prastiyanto, D., &
Supraptono, E. (2017). Jurnal Teknik
Elektro. Penerapan Algoritma Cosine
Similarity dan Pembobotan TF-IDF
Pada Sistem Klasifikasi Dokumen
Skripsi, P-ISSN 1441-0059.
[13] Yasni, L., Subroto, I. M., & Haviana, S.
F. (2018). UNDIP E-Journal System
Portal. Implementasi Cosine Similarity
Matching Dalam Penentuan Dosen
Pembimbing Tugas Akhir.
10

1 PB

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

1 PB

Diunggah oleh

Hak Cipta:

Format Tersedia

Coding : Jurnal Komputer dan Aplikasi ISSN: 2338-493X

Volume 08, No. 1 (2020), hal 1-10

PENERAPAN METODE TRANSFORMASI RUANG WARNA HUE

Hendryanto Edha1, Sampe Hotlan Sitorus2, Uray Ristian3

Kata kunci: Mangga Harum Manis, HSI, Pengolahan Citra Digital

1. PENDAHULUAN matang yang berarti tidak semua mangga yang

Gambar 1. Metodologi Penelitian

5.3. Pembahasan 6. KESIMPULAN DAN SARAN

Anda mungkin juga menyukai