Pengenalan Karakteristik Kamera
Pada tahap ini ada beberapa parameter kamera yang diobservasi, yaitu luas tangkapan dan kualitas fokus dari citra yang dihasilkan.
Luas Tangkapan
Parameter ini menjadi penting terutama untuk perancangan desain alat. Hal ini disebabkan karena di dalam citra hasil tangkapan kamera tidak boleh terdapat objek lain selain teh hitam, karena dapat mengacaukan perhitungan. Hubungan antara coverage area kamera dan ketinggian dapat terlihat pada Gambar 4. Berdasarkan hubungan antara coverage area dan tinggi, didapatkan persamaan:
614 . 39 2933 . 4 8367 . 0 2− + = x x y (25)
13
Kualitas Fokus Citra
Modul kamera Raspberry Pi adalah salah satu kamera CMOS yang memiliki fokus tetap, fokus yang tidak optimal menyebabkan citra yang ditangkap blur, sehingga objek pada citra tidak lihat dengan jelas. Standar deviasi (s) citra abu-abu digunakan untuk memperoleh parameter kualitas citra yang berkorelasi dengan fokus kamera. Dinyatakan dengan persamaan:
s =
( )
1
2−
−
∑
n
x
x
(26) dimana,x = rata-rata dari sampel
n = banyaknya sampel
Pengambilan Citra Uji
Pengambilan citra uji menggunakan perintah raspistill dengan parameter seperti pada Tabel 6:
14
Tabel 6 Parameter perintah raspistill untuk pengambilan citra
Parameter Penjelasan Fungsi
-n No Preview Tidak menampilkan preview layar penuh
ketika mengambil gambar
-t 1 Timeout Lama waktu kamera untuk mengambil gambar ditetapkan selama 1 detik -drc high Dynamic range
compression high
Mengaktifkan mode dynamic range
compression ke mode high
-ISO 200 ISO pengambilan gambar 200
Menetapkan sensitivitas cahaya sebesar 200.
Citra hasil pengambilan dapat dilihat pada Gambar 5.
Pemilihan Fitur Warna
Pada pengenalan warna, dilakukan observasi mengenai fitur terbaik yang akan digunakan. Observasi dilakukan terhadap fitur RGB, CMYK, indeks RGB, R/G dan R/B pada citra dengan menggambarkan setiap komponen fitur kedalam sebuah grafik untuk menemukan fitur yang paling mudah dipisahkan. Hasil plot seluruh fitur terdapat pada Lampiran 3. Berdasarkan hasil plot ditemukan bahwa fitur yang terpisah dengan baik adalah indeks R, indeks G, indeks B, yellow, magenta, R/G dan R/B.
Akan tetapi, pada penelitian kali ini, digunakan 10 fitur warna dengan tetap menambahkan fitur R, G, dan B karena setelah melakukan trial and error, ditemukan bahwa pendugaan menggunakan jaringan syaraf tiruan menghasilkan akurasi yang lebih tinggi seperti pada Gambar 6.
15
Gambar 6 Perbandingan nilai correctness dan jumlah fitur yang digunakan pada JST
Pengenalan Tekstur
Pengenalan tekstur pada citra teh dilakukan untuk menentukan algoritma terbaik yang cocok digunakan untuk menduga kelas mutu dari teh hitam. Pada penelitian ini, untuk menentukan tekstur dari teh digunakan fitur Haralick dan fitur Tamura. Menurut Acharya (2005) dari 14 fitur Haralick hanya empat buah fitur yang penting untuk mendeskripsikan sebuah tekstur, yaitu 1) Angular second
momentum 2) Contrast 3) Correlation 4) Entropy 5) Inverse Difference Moment.
Plotting nilai empat buah fitur Haralick dan fitur Tamura dari masing-masing kelas dapat dilihat pada Gambar 7.
Gambar 7 Nilai masing - masing fitur tekstur setiap kelas 3.00 2.75 2.50 PF Dust BTL BT BP BOPF BOP BBL 4.5 3.0 1.5 300 250 200 0.0009 0.0006 0.0003 450 300 150 PF Dust BTL BT BP BOPF BOP BBL 0.003 0.002 0.001 PF Dust BTL BT BP BOPF BOP BBL 9.6 8.8 8.0 0.150 0.125 0.100 Tamura Coarseness Grade N ila i F it u r
Tamura Contrast Tamura Rotation
ASM Contrast Correlation
Entrophy IDM BBL BOP BOPF BP BT BTL Dust PF Grade
16
Pembuatan Perangkat Lunak
Perangkat lunak pada alat yang dirancang kali ini berfungsi sebagai tampilan antara muka, sistem akuisisi citra dan pengolah data. Perangkat lunak berjalan di atas operating sistem Linux Raspbian, yang merupakan turunan dari Distro
Debian dan dibangun menggunakan bahasa pemrograman Java dengan pustaka ImageJ sebagai pustaka image processing dan Encog 3 sebagai pustaka JST.
Ketika perangkat lunak pertama kali dijalankan, perangkat lunak akan membaca file konfigurasi yang berisi alamat file pustaka dari Encog dan nilai maksimum dan minimum dari data latih. Kemudian, ketika pengguna memerintahkan untuk mengambil gambar, maka akan diambil frame citra pada saat itu, lalu menaruhnya ke dalam memori, menghitung rata-rata dari fitur warna dan mendapatkan fitur tekstur. Kemudian dari rata-rata fitur warna tersebut dimasukkan ke dalam model JST untuk penentuan kelas, sedangkan fitur tekstur akan dimasukkan ke dalam model JST untuk penentuan grade. Kemudian, hasil kelas dan grade ditampilkan ke dalam tampilan muka. Secara umum algoritma jalannya peranti lunak seperti pada Gambar 8.
Mulai
Baca file konfigurasi
Ambil Citra
Ambil fitur warna Ambil fitur tekstur
Hitung ke dalam model JST kelas Hitung ke dalam
model JST grade
Tampilkan grade dan kelas
Selesai
17
Pembuatan Prototipe Alat
Dengan menetapkan tinggi kamera optimum setinggi 12 cm, maka berdasarkan persamaan 26 didapatkan luas minimum sisi bawah dari kotak penutup sebesar 112.8 cm2. Selanjutnya, diambil batas aman luasan sebesar 12 cm untuk memastikan dinding dari kotak penutup tidak masuk ke dalam citra. Gambaran lengkap ukuran dan bentuk dari kotak penutup seperti pada Gambar 9, 10 dan 11. Desain alat dan gambar lengkap dari kotak penutup yang dibangun seperti pada Gambar 12 dan 13.
Gambar 9 Dimensi dari kotak penutup
18
Gambar 12 Desain alat yang dibangun Gambar 11 Dimensi dari penutup kotak
19
Gambar 13 Alat uji mutu teh hitam
Validasi
Validasi dilakukan dengan memasukkan citra non-latih yang sudah diketahui kelas dan grade mutu ke dalam alat. Validasi dilakukan kedalam dua bagian, validasi untuk prediksi kelas mutu dan grade mutu. Jumlah total citra yang digunakan sebanyak 130 citra. Pada validasi kelas mutu digunakan 60 citra kelas 1, 40 citra kelas 2, dan 30 citra kelas 3. Sedangkan untuk validasi grade mutu, digunakan 10 citra untuk masing-masing grade BOPF, BOP, BBL, dan BTL. 20 citra untuk masing-masing grade PF, BT, dan BP. 30 citra untuk grade dust. Hasil validasi tercantum pada Tabel 7 dan 8.
Tabel 7 Hasil validasi penentuan kelas
Kelas Grade Terdeteksi Jumlah
benar Akurasi 1 2 3 1 BOPF 10 0 0 10 100% BOP 10 0 0 10 100% PF 10 0 0 10 100% BT 10 0 0 10 100% Dust 10 0 0 10 100% BP 9 1 0 9 90% 2 BP 5 3 2 3 30% Dust 10 0 0 0 0% PF 10 0 0 0 0% BT 10 0 0 0 0% 3 Dust 10 0 0 0 0% BBL 2 0 8 8 80% BTL 0 2 8 8 80% Akurasi Total 60.00%
20
Tabel 8 Hasil validasi penentuan grade
Kelas Grade Terdeteksi Jumlah
benar Akurasi BOPF BOP PF BT Dust BP BBL BTL
1 BOPF 3 0 7 0 0 0 0 0 3 30% BOP 10 0 0 0 0 0 0 0 0 0% PF 0 0 0 0 10 0 0 0 0 0% BT 10 0 0 0 0 0 0 0 0 0% Dust 0 0 0 0 10 0 0 0 10 100% BP 0 0 0 0 0 10 0 0 10 100% 2 BP 0 0 0 0 0 0 0 10 0 0% Dust 0 0 0 0 10 0 0 0 10 100% PF 0 0 10 0 0 0 0 0 10 100% BT 8 0 2 0 0 0 0 0 0 0% 3 Dust 0 0 0 0 10 0 0 0 10 100% BBL 0 0 0 0 0 10 0 0 0 0% BTL 0 0 0 0 0 0 0 10 10 100% Total Akurasi 48.46%
Gambar 14 a) Akurasi setiap kelas b) akurasi setiap grade
Berdasarkan validasi, ditemukan bahwa alat yang dibangun berhasil mendeteksi dengan sangat baik kelas 1. Alat yang dibangun dapat mendeteksi kelas 1 dengan akurasi mencapai 98 %. Sedangkan akurasi terendah terdapat pada kelas 2 dimana akurasi dari alat hanya mencapai 8 %. Akurasi kelas 3 mencapai 53 %. Akurasi pendugaan kelas mutu tercantum pada Gambar 14a. Secara umum, kemampuan alat untuk menduga kelas mutu mencapai 60 %.
Pada sisi lain untuk validasi grade, alat yang dibangun berhasil mendeteksi dengan sempurna grade dust dan BTL dengan akurasi mencapai 100%. Alat berhasil mendeteksi secara sempurna grade tersebut. Sedangkan grade BOP, BT, dan BBL belum berhasil dideteksi. Akurasi pendugaan grade mutu tercantum pada Gambar 14b. Secara umum, kemampuan alat untuk menduga grade mutu mencapai 48.4 %.
Dalam kasus penentuan kelas, citra yang baik adalah citra yang berhasil mengambil warna sesungguhnya dari objek. Pada kamera Raspberry Pi yang sedang digunakan, algoritma auto white balance otomatis diterapkan pada seluruh operasi pengambilan citra menyebabkan warna objek berubah. Perbedaan warna dapat terlihat pada Gambar 15.
21
Gambar 15 a) Scatter plot warna dari citra pendahuluan b) scatter plot citra implementasi
Berdasarkan gambar tersebut, terlihat bahwa ada perbedaan warna pada citra. Pada Gambar 15a, terlihat bahwa adanya separable region sehingga klasifikasi antar kelas dapat dengan baik terpisah, sedangkan pada Gambar 14b terlihat bahwa terjadi overlapping pada fitur citra, sehingga tidak ada batas yang jelas untuk melakukan klasifikasi.
Pada penentuan grade, citra yang baik adalah citra yang fokus. Sehingga, perbedaan warna dari setiap pixel dapat terlihat dengan jelas. Pengukuran fokus yang dilakukan pada awal penelitian menggunakan standar deviasi diduga hanya optimal pada grade tertentu. Hal ini terlihat pada Tabel 8, dimana dari seluruh
grade hanya grade dust dan BTL yang diduga secara sempurna.
Luasan yang ditangkap juga berpengaruh terhadap perhitungan tekstur dari citra. Pada penelitian kali ini, luasan yang ditangkap untuk citra 500×500pixel
sebesar 51 cm2. Semakin luas area tangkapan kamera, maka semakin besar pula nilai tekstur yang dihasilkan. Hal ini dapat mengurangi nilai tekstur yang
overlapping pada citra.