(a)
(b) (c)
Gambar 11 Grafik segmentasi kandungan minyak berdasarkan korelasi dengan nilai rata-rata intensitas R,G,B dari citra TBS di bawah perlakuan lampu H600 spektrum tampak (400-700 nm) pada berbagai kanal warna: R(a), G (b) dan B (c)
(a)
(b) (c)
Gambar 12 Grafik segmentasi kandungan minyak berdasarkan korelasi dengan nilai rata-rata intensitas R,G,B dari citra TBS di bawah perlakuan lampu H600 spektrum IR (720-1100 nm) pada berbagai kanal warna: R(a), G (b) dan B (c)
(a)
(a) (c)
Gambar 13 Grafik segmentasi kandungan minyak berdasarkan korelasi dengan nilai rata-rata intensitas R,G,B dari citra TBS di bawah perlakuan lampu H1000 spektrum tampak (400-700 nm) pada berbagai kanal warna: R(a), G (b) dan B (c)
(a)
(b) (c)
Gambar 14 Grafik segmentasi kandungan minyak berdasarkan korelasi dengan nilai rata-rata intensitas R,G,B dari citra TBS di bawah perlakuan lampu H1000 spektrum IR (720-1100 nm) pada berbagai kanal warna: R(a), G (b) dan B (c)
TBS dalam kondisi ini dianggap sebagai lewat matang, dan tidak diinginkan untuk diproses, karena ALB berlebihan di dalam minyak, yang dapat menurunkan kualitas CPO pada proses pengolahan. Proses ini akan berlanjut sampai sebagian besar buah bagian luar pada tandan membrondol, dan TBS mulai menghasilkan bau busuk.
Dalam penelitian ini, fase lewat matang terjadi saat kandungan minyak dalam sampel TBS terakumulasi pada 23.9%, yang ditunjukkan oleh penurunan tren warna R,G,B pada citra TBS ke arah pertambahan kandungan minyak. Dibandingkan dengan tahap fisiologis sebelumnya, tren perubahan warna di gambar TBS berorientasi ke arah yang berlawanan yang juga ditandai pergeseran intensitas warna TBS ke arah intensitas yang lebih gelap (rendah) karena proses pematangan. Hal ini tidak berlaku untuk pengukuran jarak 2 m pada seluruh spektrum (kecuali spektrum UV: Gambar 10) yang dapat dilihat bahwa nilai intensitas tetap berada pada intensitas tinggi yang berarti bahwa pencahayaan pada jarak tersebut terjadi kondisi over exposure saat perekaman.
Setiap fase kematangan TBS pada Gambar 10 hingga 14, dapat ditentukan korelasi linieritasnya terhadap kandungan minyaknya berdasarkan nilai R,G,B
pada citra TBS. Korelasi ini dapat dijelaskan menggunakan regresi linear. Hasil linearitas keseluruhan segmentasi kematangan kandungan minyak ini dapat dilihat pada Tabel 4. Pada tabel tersebut, bila diambil korelasi yang terbentuk antara kandungan minyak dengan rata-rata intensitas R,G,B dengan nilai koefesien korelasi di atas 0.6 maka dapat dilihat bahwa pada fase mentah dan lewat mentah, tidak terdapat korelasi linear untuk seluruh nilai R,G,B rata-rata terhadap kandungan minyak pada nilai tersebut (hal ini dapat dilihat dari koefisien korelasinya yang rendah di bawah 0.5). Pada fase matang, koefisien korelasi di atas 60% untuk seluruh nilai R,G,B rata-rata diperoleh saat perekaman citra pada intensitas rendah menggunakan lampu UV600 dan H600 yaitu jarak 10, 7 dan 2 m pada rentang spekrum UV, dan jarak 10 pada rentang spektrum IR; serta pada intensitas tinggi menggunakan lampu H1000 yaitu pada jarak perekaman 10 dan 7 m rentang spektrum IR.
Tabel 4 Nilai koefisien korelasi R2 kandungan minyak dan nilai R,G,B rata-rata untuk seluruh perlakuan spektrum tiap tingkat kematangan TBS
Jarak Spektrum Kanal Koefisien Korelasi
Mentah Matang Lewat Matang
10 UV R 0.5029 0.9042 0.1447 G 0.4588 0.8848 0.1763 B 0.7882 0.7483 0.7821 tampak1 R 0.4584 0.3135 0.0538 G 0.3922 0.5327 0.0007 B 0.2474 0.5988 0.0031 tampak2 R 0.3170 0.3937 0.0791 G 0.2774 0.5545 0.0697 B 0.1487 0.5634 0.0509
Jarak Spektrum Kanal Koefisien Korelasi
Mentah Matang Lewat Matang
IR1 R 0.3032 0.6482 0.0561 G 0.2706 0.7110 0.0714 B 0.2207 0.6487 0.0417 IR2 R 0.2323 0.6259 0.1011 G 0.2221 0.6823 0.0740 B 0.1604 0.6143 0.0650 7 UV R 0.8599 0.9561 0.0629 G 0.7717 0.9431 0.0950 B 0.5001 0.8419 0.6646 tampak1 R 0.0256 0.2042 0.0174 G 0.0400 0.3710 0.0351 B 0.0154 0.4195 0.0489 tampak2 R 0.0436 0.5141 0.3544 G 0.0296 0.6709 0.2604 B 0.0360 0.6771 0.2391 IR1 R 0.0151 0.4559 0.5093 G 0.0144 0.5196 0.3847 B 0.0121 0.4459 0.3023 IR2 R 0.0540 0.6590 0.2414 G 0.0461 0.7416 0.1934 B 0.0398 0.6911 0.2086 2 UV R 0.3336 0.7379 0.0677 G 0.1719 0.8759 0.0666 B 0.5089 0.6509 0.3852 tampak1 R 0.2780 0.3836 0.6030 G 0.2686 0.6014 0.3935 B 0.1422 0.5979 0.5323 tampak2 R 0.0114 0.2920 0.4396 G 0.0077 0.7668 0.2937 B 0.0270 0.6089 0.3385 IR1 R 0.3243 0.5057 0.5562 G 0.2222 0.6454 0.3614 B 0.1864 0.5696 0.5367 IR2 R 4.E-05 0.4165 0.3809 G 0.0051 0.8352 0.2704 B 6.E-08 0.5509 0.4039
Dari informasi tersebut dapat diketahui bahwa untuk penentuan TBS layak panen adalah pada kondisi kematangan TBS saat fase matang, sehingga saat perekaman citra pada jarak 10, 7, 2 m di bawah pencahayaan UV, 10 m di bawah spektrum IR1 serta IR2 pada jarak perekaman 10 dan 7 m dijadikan sebagai masukan untuk membangkitkan model prediksi kematangan TBS sawit varitas
Tenera klon Marihat yang merupakan persilangan antara varitas Dura Deli
Marihat (keturunan 434B x 34C; 425B x 435B; 34C x 43C) dan Pisifera Marihat
(berasal dari Kamerun) dari tanaman sawit berumur rata-rata 8 tahun.
Prediksi kandungan minyak TBS sawit berdasarkan JST
Meskipun tahap kedua perkembangan TBS (fase matang) dapat diamati melalui perubahan warna, perkiraan kandungan minyak tepat pada TBS tidak dapat dilakukan hanya berdasarkan informasi ini. Korelasi antara karakteristik warna pada citra TBS dan kandungan minyak dimana korelasinya dapat dijelaskan melalui analisis regresi sederhana pada Tabel 4. Oleh karena itu hubungan abstrak antara kandungan minyak TBS dan karakteristik warna perlu dimodelkan melalui analisis pemodelan JST, yaitu multi linear perceptron (MLP) untuk dapat menduga kematangan TBS sawit. Model dikembangkan berdasarkan citra TBS terekam dengan kamera visi dengan penyetingan berdasarkan pembahasan sebelumnya adalah pada pencahayaan UV untuk seluruh jarak perekaman, spektrum IR pada intensitas rendah pada jarak perekaman 10 m dan spektrum IR
pada intensitas tinggi dengan jarak perekaman 7 dan 10 m. Karakteristik warna citra yang diekstrak dan ditransformasi untuk menghasilkan 15 variabel masukan dalam pembangunan kalibrasi model.
Pengembangan suatu model untuk memprediksi kandungan minyak TBS sawit secara utuh (tanpa merusak) dilakukan dengan cara memasukkan variabel masukan ke dalam program statistik dan untuk mendapatkan korelasi terhadap kandungan minyak. Analisa yang digunakan adalah JST, dan untuk memperoleh hasil analisa, sebagian dari data sampel digunakan oleh program statistik untuk melatih model JST. Proses pelatihan hingga didapatkannya model disebut dengan metode kalibrasi. Sedangkan data yang belum dipakai, digunakan untuk menguji akurasi dan konsistensi model, dimana tahapan ini disebut dengan validasi.
Pengembangan dan kalibrasi model dilakukan menggunakan 70% data dari sampel yang digunakan, di mana 15 fitur warna dari gambar yang diambil dan digunakan sebagai variabel masukan. Model yang dikembangkan dapat memprediksi kandungan minyak TBS utuh dengan akurasi klasifikasi yang tinggi. Metode MLP-ANN digunakan untuk mengembangkan model dapat menjelaskan hubungan antara variabel masukan yang komplek dan abstrak (fitur citra warna) dan kandungan minyak dari sampel TBS. Kinerja model pendugaan kandungan minyak pada kalibrasi dan validasi dijelaskan masing-masing dalam Tabel 5.
Total ada 6 model yang dikembangkan untuk memprediksi kadar minyak TBS, berdasarkan citra direkam pada jarak 10, 7 dan 2 m di bawah pencahayaan
UV, 10 m di bawah spektrum IR1 serta IR2 pada jarak perekaman 10 dan 7 m. Setelah kalibrasi, model prediksi kandungan minyak untuk semua konfigurasi percobaan yang dilakukan memiliki koefisien korelasi (R2) berada di atas 0.8. Semua model kalibrasi memiliki nilai SEP yang rendah yang dapat dilihat pada Tabel 5.
Tabel 5 Hasil kalibrasi dan validasi model pendugaan kandungan minyak dengan metode MLP menggunakan 15 fitur warna dari citra TBS
Jarak Koefisien korelasi (R2) Kalibrasi Koefisien korelasi (R2) Validasi SEC Bias model SEP 10 m, UV 0.897 0.893 2.324 0.225 1.330 7 m, UV 0.949 0.937 2.324 0.053 0.611 2 m, UV 0.837 0.984 2.324 0.130 0.326 10 m, IR1 0.883 0.854 2.324 0.025 1.664 10 m, IR2 0.998 0.998 2.324 0.030 0.036 7 m, IR2 0.587 0.597 2.324 0.015 3.141
Pengujian konsistensi model divalidasi menggunakan 30% data dari sampel (10 data citra TBS sawit) berdasarkan model yang telah dikembangkan. Dari Tabel 4 dapat dilihat bahwa model yang telah divalidasi memiliki koefisien korelasi yang tinggi di atas 0.85 (kecuali untuk model pada spektrum IR2 jarak 7 m). Validasi terendah pada model memiliki nilai koefesien korelasi (R2) sebesar 0.597 untuk jarak perekaman citra pada jarak perekaman 7 m pada spektrum pencahayaan IR2. Karena koefisien korelasi yang dihasilkan dari JST untuk jarak perekaman 7 m spektrum IR2 berada di bawah 0.6 dan nilai SEP yang lebih tinggi dari SEC, maka dalam pendugaan kematangan TBS selanjutnya, hanya menggunakan 5 model kematangan saja
Model pertama yang dihasilkan pada JST adalah prediksi kandungan minyak di bawah spektrum UV pada jarak perekaman 10 m dengan menggunakan 15 fitur warna yang diambil dari gambar TBS, dan dijadikan sebagai masukan prediktor. Model yang dikembangkan oleh perangkat lunak statistik rekayasa memiliki 10 lapisan hidden layer untuk menjelaskan korelasi, varians, dan pengaruh variabel untuk model yang dihasilkan. Kinerja model pada kalibrasi dijelaskan pada Gambar 15. Variabel koefisien dalam lapisan hidden layer
dijelaskan dalam Tabel 6.
Gambar 15 Hasil kalibrasi model prediksi kandungan minyak saat perekaman citra TBS pada jarak 10 m di bawah spektrum cahaya UV
n = 20
Tabel 6 Model prediksi kandungan minyak dengan metode MLP berdasarkan respon citra TBS terekam pada jarak perekaman 10 m dengan intensitas rendah (H600) spektrum UV
Prediktor
Prediksi
HiddenLayers Keluaran
H(1) H(2) H(3) H(4) H(5) H(6) H(7) H(8) H(9) H(10) Kandungan Minyak Faktor- faktor koefisien lapisan masukan (Bias) -.468 .111 -.477 -.038 .369 .150 .171 1.521 -.068 .345 R .506 -.313 -.382 -.813 .151 -.776 .019 -.119 .995 -.104 G -.225 -.610 -.091 -.085 .238 -.772 .353 .098 .903 -.276 B -.258 -.627 .360 -.101 -.306 -.647 .203 -.236 .351 .423 H .349 -.020 -.420 .446 -.018 .284 .135 -.238 -.154 .286 S -.092 -.085 .527 -.591 .209 .024 .413 -.230 .779 -.432 I -.188 -.415 .327 -.260 .326 -.259 .160 .636 -.213 -.387 RI -.445 -.149 -.458 .357 -.180 .390 .194 -.414 .160 -.239 GI .017 .330 .310 -.204 .193 .223 .324 .151 -.080 .486 BI -.178 -.453 -.163 -.581 -.298 -.703 .382 .128 .458 -.105 R/G -.026 .535 -.366 .474 -.295 .060 -.320 -.660 -.483 -.007 R/B -.165 .174 -.022 .018 .120 .586 .032 -.891 .746 .294 G/B -.202 .266 .041 .488 .314 -.782 -.301 -.675 .463 -.432 G/R .125 -.038 .052 .172 .311 -.951 -.329 -.021 .203 -.123 B/R -.268 -.296 .053 -.323 .176 .115 .263 -.056 -.362 .629 B/G -.429 -.512 -.335 .352 -.548 .070 .114 .353 -.399 .677 Faktor- faktor Koefisien Hidden Layer (Bias) .346 H(1) .168 H(2) 1.098 H(3) .496 H(4) .730 H(5) .257 H(6) -1.730 H(7) -.099 H(8) .900 H(9) -.938 H(10) -.980
Model kedua untuk prediksi kandungan minyak TBS dengan pencahayaan
UV pada jarak perekaman citra 7 m. Kinerja model pada kalibrasi dijelaskan pada Gambar 16. Model ini menghasilkan persamaan untuk pendugaan kandungan minyak dijelaskan pada Lampiran 14.
Model ketiga untuk prediksi kandungan minyak TBS dengan pencahayaan
UV pada jarak perekaman citra 2 m. Kinerja model pada kalibrasi dijelaskan pada Gambar 17. Model ini menghasilkan persamaan untuk pendugaan kandungan minyak pada Lampiran 15.
Model keempat untuk prediksi kandungan minyak TBS dengan pencahayaan IR1 pada jarak perekaman citra 10 m. Kinerja model pada kalibrasi dijelaskan pada Gambar 18. Model ini menghasilkan persamaan untuk pendugaan kandungan minyak pada Lampiran 16.
Model kelima untuk prediksi kandungan minyak TBS dengan pencahayaan
pada Gambar 19. Model ini menghasilkan persamaan untuk pendugaan kandungan minyak pada Lampiran 17.
Gambar 16 Hasil kalibrasi model prediksi kandungan minyak saat perekaman citra TBS pada jarak 7 m di bawah spektrum cahaya UV
Gambar 17 Hasil kalibrasi model prediksi kandungan minyak saat perekaman citra TBS pada jarak 2 m di bawah spektrum cahaya UV
n = 20
SEP = 0.611
n = 20
Gambar 18 Hasil kalibrasi model prediksi kandungan minyak saat perekaman citra TBS pada jarak 10 m di bawah spektrum cahaya IR dengan daya 600W
Gambar 19 Hasil kalibrasi model prediksi kandungan minyak saat perekaman citra TBS pada jarak 10 m di bawah spektrum cahaya IR dengan daya 1000W
Dari seluruh model yang dihasilkan, menghasilkan R2 kalibrasi di atas 0.8 dan hasil validasi memiliki R2 di atas 0.85 dengan menggunakan 5 model kematangan yaitu citar TBS yang direkam pada spektrum UV dari jarak perekaman 10, 7 dan 2 m serta 10 m pada spektrum IR di bawah pencahayaan H600 dan H1000.
n = 20
SEP = 1.664
n = 20
Komparasi hasil studi dengan penelitian yang sudah dilakukan
Untuk dapat diketahui tingkat akurasi dan kemudahan aplikasi dari sistem prediksi kandungan minyak TBS yang dikembangkan, maka hasil penelitian ini perlu dibandingkan dengan berbagai hasil riset yang telah dicapai oleh beberapa peneliti sebelumnya pada Tabel 1. Perbandingan tersebut dapat dibandingkan dengan data yang disajikan dalam Tabel 7.
Tabel 7 Perbandingan sistem deteksi kematangan dan kandungan minyak TBS yang telah dikembangkan
Peneliti Spektrum Koefisien korelasi (%) Metode Jarak Riset ini UV, Tampak, dan IR
< 0.85 Fotogrammetri menggunakan spektrum cahaya tampak, UV, dan IR untuk memodelkan kandungan minyak TBS berdasarkan informasi warna dari gambar yang direkam. Model prediksi dikembangkan menggunakan JST berdasarkan data masukan dari segmentasi kandungan minyak 2, 7 dan 10 m Makky et al. (2004)
Tampak 1 Penentuan kematangan berdasarkan brondolan TBS lalu diuji dengan menggunakan metode kromasitas warna R,G,B dan H,S,I
menghasilkan pendugaan kematangan
0.3- 4.5 m Junkwon et al. (2009) UV, tampak, dan IR
0.9792 Penentuan kematangan berdasarkan brondolan TBS lalu diuji dengan menggunakan
hiperspektral untuk menduga kematangan
< 1 m Ismail et al., (2009), Ishak & Hudzari (2010), Razali et al. (2011)
Tampak > 0.9 Penentuan kematangan berdasarkan brondolan TBS lalu diuji dengan menggunakan metode kromasitas warna H menghasilkan persamaan polynomial pangkat dua untuk menduga kematangan
2-3 m
Makky & Soni (2013), Makky et al. (2014)
Tampak > 0.89 Penentuan kematangan berdasarkan brondolan TBS lalu diuji dengan menggunakan metode kromasitas warna R,G,B; H,S,I; R,G,B indeks, ripeness indeks menghasilkan penduga kematangan, kandungan minyak dan ALB
< 1 m
Makky & Soni (2014)
UV, tampak, dan IR
Penentuan kematangan berdasarkan brondolan TBS lalu diuji dengan menggunakan
spektroskopi menghasilkan segmen gelombang cahaya untuk menduga kematangan
< 0.001 m
Tabel hasil perbandingan tersebut dapat dilihat bahwa sistem yang dikembangkan pada penelitian ini adalah sistem pertama yang mampu mendeteksi kandungan minyak TBS dari jarak lebih dari 4.5 m. Walaupun secara keseluruhan akurasi model yang dihasilkan pada penelitian ini masih lebih rendah bila dibandingkan dengan beberapa penelitian sebelumnya, namun kelebihan yang
dimiliki oleh sistem yang dikembangkan ini memungkinkan pengujian diduplikasi lebih mudah di lapangan. Pemanfaatan JST untuk mengembangkan model prediksi kandungan minyak TBS pada penelitian ini memungkinkan diperolehnya konsistensi hasil yang lebih baik, bila dibandingkan dengan beberapa sistem yang telah dikembangkan sebelumnya. Aplikasi lensa penguat optik pada sistem yang dikembangkan ini menjadikan sistem dapat merekam TBS pada pohon dari jarak yang lebih jauh dengan hasil gambar yang lebih baik, serta meminimalisasi pengaruh elemen luar seperti arah cahaya matahari, akomodasi jarak perekaman yang lebih jauh, serta tidak dibutuhkan operator dengan keterampilan tinggi untuk menggunakan peralatan pada sistem ini. Keunggulan yang lebih pada penelitian ini adalah dapat menduga kematangan berdasarkan kandungan minyak TBS dan bukan berdasarkan jumlah brondolan yang jatuh di piringan pohon (fraksi kematangan)