Halaman Lampiran 1. Spesifikasi kamera ... 37 Lampiran 2. Gambar posisi benih dari waktu 0 detik sampai 15 detik pada grade 3-4 cm ... 38 Lampiran 3. Gambar posisi benih dari waktu 0 detik sampai 15 detik pada grade 5-7 cm ... 39 Lampiran 4. Gambar perhitungan luas area 1 ekor ikan dengan berbagai posisi ... 40 Lampiran 5. Tabel luasan area hasil threshold 1 ... 41 Lampiran 6. Tabel luasan area hasil threshold 2 ... 41 Lampiran 7. Tabel luasan area hasil threshold 3 ... 41 Lampiran 8. Gambar posisi ikan berhimpit pada ukuran 3-4 cm ... 42 Lampiran 9. Gambar posisi ikan berhimpit pada ukuran 5-7 cm ... 43 Lampiran 10. Analisis regresi berat terhadap panjang benih ... 44 Lampiran 11. Gambar piktorial alat penghitung benih ... 45 Lampiran 12. Gambar orthogonal alat penghitung benih ... 46 Lampiran 13. Gambar kerangka meja ... 47 Lampiran 14. Gambar wadah ikan ... 48 Lampiran 15. Gambar dudukan kamera ... 49
1
I. PENDAHULUAN
A. Latar Belakang
Ikan lele merupakan salah satu jenis ikan air tawar yang digemari oleh masyarakat. Setiap tahun permintaan ikan lele mengalami peningkatan. Hal ini terbukti dengan semakin menjamurnya warung tenda yang menyajikan pecel lele sebagai menu utamanya. Tidak hanya di sepanjang jalan kota besar, di kota kabupaten dan kecamatan pun penjaja pecel lele kian banyak. Peluang inilah yang membuat masyarakat untuk terjun dalam bisnis pertanian perikanan khususnya ikan lele.
Budidaya lele tidak harus dilakukan secara terpadu mulai dari pembenihan, pendederan, dan pembesaran dalam satu unit usaha, namun bisa dipecah-pecah menjadi beberapa kegiatan secara terpisah. Hal ini berarti ada petani yang hanya bertindak sebagai pembenih, ada yang hanya sebagai pendeder, dan selebihnya bergerak dibidang usaha pembesaran. Untuk menunjang usaha pembesaran perlu tersedia benih lele yang berkualitas dalam jumlah yang mencukupi, sehingga peluang usaha disetiap sub sistem masih terbuka lebar. Perhitungan benih ikan lele biasa dilakukan saat benih ikan dipasarkan dari pihak pembenih ke pihak pendeder maupun ke pihak pembesaran. Selama ini petani ikan lele masih melakukan perhitungan benih secara manual yaitu dengan metode sampling atau dengan menghitung satu per satu. Rata-rata petani membutuhkan waktu sekitar 15-20 menit untuk menghitung 1000 benih ikan lele.
Menurut Seminar (2000), perhitungan bibit ikan yang dilakukan secara manual memiliki banyak kelemahan, antara lain: subyektifitas perhitungan, waktu yang lambat, kelelahan dalam perhitungan, dan akurasi yang tidak memadai khususnya untuk menghitung bibit ikan dalam jumlah yang besar.
Sebelumnya telah dilakukan penelitian mengenai perhitungan benih ikan dengan berbagai metode. Metode perhitungan benih ikan lele untuk menggantikan cara manual adalah metode image processing dan pengukuran berat benih. Image processing dapat dijadikan sebuah alternatif karena metode ini tidak merusak objek (non destructive). Image processing merupakan salah satu algoritma komputer yang mampu mengamati dan menganalisa suatu objek tanpa berhubungan langsung dengan objek yang diamati. Metode ini berkembang seiring dengan peningkatan kecepatan komputer dalam mengolah data, sehingga metode ini diharapkan mampu membantu perhitungan benih ikan lele dengan akurat dan hemat waktu. Untuk menunjang aplikasi dari metode tersebut maka dilakukan pengembangan lebih lanjut mengenai sistem aplikasi dari metode image processing.
B. Tujuan Penelitian
Secara umum penelitian ini bertujuan untuk mengembangkan metode perhitungan benih ikan lele dengan image processing dan berat benih.
2
II. TINJAUAN PUSTAKA
A. PERHITUNGAN BENIH IKAN
Aplikasi pengolahan citra telah banyak diterapkan untuk meneliti berbagai produk pertanian. Berikut adalah beberapa hasil penelitian menggunakan image processing:
Pramesti (2003) menggunakan image processing dan artificial neural network dalam pengenalan butiran beras mengapur dan kuning / rusak. Image processing digunakan untuk mendapatkan data berupa nilai R, G, B, color value, Ired, Igreen, Iblue, hue, saturation, dan intensitty
yang merupakan input data dalam artificial neural network. Dihasilkan akurasi sebesar 74,5% pada proses training dan 94,09% pada proses validasi.
Nur (2003) menggunakan image processing dan artificial neural network dalam pengenalan derajat sosoh beras tipe IR-64 dan Membramo. Image processing digunakan untuk mendapatkan data berupa R, G, B, color value, Ired, Igreen, Iblue, hue, saturation, dan intensitty yang
merupakan input data dalam artificial neural network. Akurasi yang dihasilkan sebesar 45,46% untuk jenis IR-64 dan 55,35% untuk jenis Membramo pada proses training, 20,73% untuk jenis IR-64 dan 39% untuk jenis Membramo pada proses validasi.
Jenie (2005) menggunakan image processing, artificial neural network, dan least euclid range untuk menentukan mutu warna teh hitam. Dalam penelitian ini dibangun dua model artificial neural network. Model A menggunakan 5 macam input yakni R, G, B, CV, dan elevasi penanaman. Model B menggunakan 18 macam input yakni R, G, B, CV, IR, IG, IB, C, M, Y, K, X, Y, Z, cos hue, saturasi, intensitas, dan elevasi penanaman. Kedua model menggunakan hidden node sebanyak dua kali jumlah node input, dan memiliki laju pembelajaran 0,35. Logika least euclidrange menggunakan 5 input seperti model A, dan diberi nama model C. Penentuan mutu warna teh didasarkan pada warna standard yaitu kehitaman (blackish), keabuan (greyish), kecokelatan (brownish), dan kemerahan (reddish). Pada penelitian ini digunakan 60 sampel untuk proses training dan 60 sampel untuk proses validasi. Hasil dari penelitian ini menunjukkan bahwa model A mencapai akurasi 100% dalam 7000 iterasi pada proses pelatihan, sedangkan akurasi pada proses validasi adalah 0 % untuk blackish, 100% untuk greyish, 100% untuk brownish, dan 100% untuk reddish. Model B mencapai akurasi 100% dalam 7000 iterasi pada proses pelatihan, sedangkan akurasi pada proses validasi adalah 86,7 % untuk blackish, 93,3% untuk greyish, 100% untuk brownish, dan 100% untuk reddish. Model C mencapai akurasi 63,3% dalam 7000 iterasi pada proses pelatihan, sedangkan akurasi pada proses validasi adalah 53,3 % untuk blackish, 53,3% untuk greyish, 66,7% untuk brownish, dan 80% untuk reddish.
Penelitian tentang perhitungan ikan telah banyak dikembangkan dengan berbagai metode. Beberapa hasil penelitian tentang perhitungan ikan antara lain:
Seminar (2000) membuat desain alat penghitung bibit ikan dengan multisensor paralel. Desain fungsional alat penghitung bibit ikan dengan multisensor dikembangkan dari alat penghitung dengan sensor tunggal dengan mereplikasi penyaluran keluaran ikan dan sistem sensor, serta menambahkan komponen fungsional penjumlah (adder). Alat tersebut terdiri dari 7 komponen yaitu: bak pengisian (filling vessel), pipa penyaluran (outlet pipe), sensor (detector), pencacah pulsa (pulse counter), penjumlah (adder), peraga digital (display), dan bak penerimaan (receiving vessel). Prinsip kerja dari alat penghitung ikan ini yaitu ikan yang akan dihitung