METODE PENELITIAN
4. Model pendugaan rasa dengan input R/G, a* dan H
Nilai bilangan fuzzy yang digunakan untuk membuat fungsi keanggotaan didasarkan pada sebaran nilai parameter warna R/G, a* dan H terhadap rasa. Perubahan rasa buah dari asam menuju manis ditunjukkan oleh nilai H yang semakin kecil, nilai R/G yang semakin besar dan nilai a* yang semakin besar. Berdasarkan Gambar juga dapat terlihat rasa yang overlap artinya satu parameter warna hue, R/G dan H memiliki rasa yang bervariasi. Metode fuzzy dapat digunakan untuk pengelompokan rasa berdasarkan parameter warna dari citra. Sebaran nilai parameter warna tersebut ditunjukkan pada Gambar 57 dan 58.
0,70 0,80 0,90 1,00 1,10 1,20 1,30 1,40 1,50
Asam Sedang Manis
Rasa R/ G 20 30 40 50 60 70 80
Asam Sedang Manis
Rasa
Hu
e
79
-30,00 -20,00
Gambar 58. Sebaran nilai parameter warna citra a* terhadap rasa
Gugus fuzzy yang digunakan untuk memprediksi nilai TPT menggunakan input R/G, a* dan H. Gugus fungsi input R/G, a* dan H ditunjukkan pada Gambar 48, 49 dan 50. Gugus fungsi output rasa ditunjukkan pada Gambar 51. Aturan yang digunakan sebanyak 27 aturan seperti ditunjukkan pada Tabel 25.
Gambar 59. Gugus fuzzy R/G Gambar 60. Gugus fuzzy a*
Gambar 61. Gugus fuzzy H Gambar 62. Gugus fuzzy rasa -10,00
0,00 00 00 00
Asam Sedang Manis Rasa
a*
20, 30,
Tabel 25. Matriks aturan model logika fuzzy dengan 3 input R/G, a* dan Hue
R/G (Kecil) R/G (Sedang) R/G (Besar)
a* a* a*
Hue
Negatif Netral Positif Negatif Netral Positif Negatif Netral Positif Kecil Sedang Sedang Manis Manis Manis Manis Manis Manis Manis Sedang Asam Sedang Sedang Sedang Sedang Sedang Sedang Sedang Manis
Besar Asam Asam Asam Asam Sedang Sedang Sedang Sedang Manis
Hasil klasifikasi model fuzzy dibandingkan dengan hasil klasifikasi rasa diperoleh tingkat akurasi sebesar 79 %. Model dapat mengklasifikasi sejumlah 80 sampel yang sama dengan rasa, dimana untuk masing-masing rasa asam 27(90 %), rasa sedang 29 (78 %) dan rasa manis 24 (71 %). Evaluasi rasa menggunakan model logika fuzzy dibandingkan organoleptik ditunjukkan pada Tabel 26.
Tabel 26. Evaluasi rasa menggunakan model logika fuzzy dengan input R/G, a* dan Hue.
Model Fuzzy Rasa
Asam Sedang Manis Jumlah
Asam 27 3 0 30 90% 10% Sedang 6 29 2 37 16% 78% 6% Manis 2 8 24 34 6% 24% 71% 101 Akurasi 79%
Ketidaktepatan dalam penentuan rasa sebagian besar dalam kegagalan model membedakan rasa asam dan sedang. Hal ini disebabkan oleh perubahan warna yang sangat kecil pada tahapan peralihan rasa sedang ke manis. Pendugaan dapat menduga rasa manis dengan tepat karena warna buah yang manis cukup spesifik.
Klasifikasi menggunakan nilai rasio TPT/total asam yang diperoleh dari model dan selanjutnya ditentukan rasanya menggunakan kriteria yang sudah ditetapkan. Rasa yang diperoleh dari model dibandingkan dengan rasa dari nilai rasio TPT/total asam hasil pengukuran dengan kriteria yang sama.
Hasil pemutuan rasa menggunakan model fuzzy dibandingkan dengan 3 input dibandingkan dengan kriteria rasa berdasarkan nilai rasio TPT/total asam,
81
diperoleh tingkat akurasi sebesar 83 %. Model dapat mengklasifikasi sejumlah 84 sampel dengan rasa yang sama, dimana untuk masing-masing, rasa asam 20(67 %), rasa sedang 36(96 %) dan rasa manis 28 (85%). Evaluasi rasa menggunakan model logika fuzzy dibandingkan rasa dari nilai TPT ukur ditunjukkan pada Tabel 24.
Tabel 24. Evaluasi rasa menggunakan model logika fuzzy dengan input R/G, a* dan Hue (output rasio TPT/total asam)
Model Fuzzy Rasa
Asam Sedang Manis Jumlah
Asam 20 10 0 30 67% 33% Sedang 1 36 1 38 3% 95% 2% Manis 0 5 28 33 0% 15% 85% 101 Akurasi 83%
Tingkat akurasi penentuan rasa menggunakan model fuzzy dengan beberapa variasi parameter input yang merupakan parameter warna hasil pengolahan citra berada pada kisaran 79 – 85 %. Pemutuan menggunakan standar CODEX mensyaratkan keseragaman tingkat kematangan dengan toleransi 5 %. Oleh karena itu, dalam penerapan diperlukan peningkatan tingkat akurasi misalnya dengan melakukan optimasi bilangan fuzzy menggunakan genetika algoritma. Namun secara prinsip pemutuan yang dilakukan dapat dilakukan dengan mengelompokkan nilai prediksi TPT atau rasio TPT/total asam sehingga diperoleh keseragaman yang lebih baik. Aplikasi teknik sistem cerdas seperti fuzzy logic untuk sistem pemutuan buah mekanik dan otomatik dapat dikembangkan.
Purwadaria dan Budiastra (1997) mengembangkan sistem online untuk pemutuan mangga menggunakan pengolahan citra dan pengukuran NIR. Pengolahan citra digunakan untuk menentukan ukuran dan warna, sedangkan NIR digunakan untuk menentukan rasa. Sistem pemutuan mangga yang dibuat dapat mensortasi buah mangga berdasarkan ukuran dan warna dengan tingkat akurasi 90 % dan mengklasifikasi mangga berdasarkan rasa dengan tingkat akurasi 70 %.
Simpulan
1. Parameter warna R, G, R/G, hue, a*, u* yang diperoleh dari pengolahan citra berkorelasi secara nyata dengan tingkat ketuaan buah belimbing. Parameter warna B, L*, v* dan b* tidak berkorelasi secara nyata dengan tingkat ketuaan buah belimbing.
2. Parameter warna R/G, hue, a* dan u* yang diperoleh dari pengolahan citra berkorelasi secara nyata dengan nilai TPT dan nilai rasio TPT/total asam, namun tidak berkorelasi secara nyata dengan nilai kadar asam buah belimbing.
3. Kriteria rasa yang digunakan dihubungkan dengan nilai TPT adalah asam (nilai TPT < 8,18), sedang (nilai TPT 8.18 – 9.7) dan manis (nilai TPT > 9.7). Kriteria rasa dihubungkan dengan nilai rasio TPT/total asam adalah asam (nilai rasio/total asam < 28.84), sedang (nilai rasio TPT/total asam 28.84-42.60) dan manis (nilai rasio TPT/total asam > 42.60).
4. Model pemutuan belimbing dengan logika fuzzy berdasarkan karakteristik pengolahan citra dapat menggolongkan buah belimbing berdasarkan rasa asam, sedang dan manis.
5. Model logika fuzzy pemutuan buah belimbing berdasarkan kriteria nilai TPT dan nilai rasio TPT/total asam dengan 2 input R/G dan hue dapat menggolongkan rasa buah dengan tingkat akurasi 79 % dan 84%, sementara dengan input R/G dan a* dapat menggolongkan rasa buah dengan tingkat akurasi 83 % dan 85%, sedangkan dengan input R/G dan u*, dapat menggolongkan rasa buah dengan tingkat akurasi 81 % dan 83%
6. Model logika fuzzy pemutuan buah belimbing berdasarkan kriteria nilai TPT dan nilai rasio TPT/total asam dengan 3 input yaitu R/G, H dan a* dapat menggolongkan rasa buah dengan tingkat akurasi 79 % dan 83%.
83
Saran
Dalam penelitian ini penentuan bilangan fuzzy dilakukan secara trial and error. Untuk penelitian selanjutnya disarankan penentuan bilangan fuzzy untuk masing-masing gugus fuzzy dapat dioptimasi dengan menggunakan algoritma genetika, sehingga diharapkan dapat meningkatkan tingkat akurasi penggolongan buah berdasarkan rasa asam, sedang dan manis.
Oleh karena parameter warna belimbing hasil pengolahan citra dapat digunakan untuk menduga nilai TPT dan nilai rasio TPT/total asam yang berkaitan dengan rasa, maka disarankan untuk merancang sistem sortasi dengan computer online menggunakan pengolahan citra untuk menggolongkan buah belimbing berdasarkan rasa tersebut.
Anonim. 2000. Belimbing (Averrhoa carambola). Dalam : Sistem Informasi Manajemen Pembangunan di Pedesaan BAPPENAS. Kantor Deputi Menegristek Bidang Pendayagunaan dan Pemasyarakatan Ilmu Pengetahuan dan Teknologi.
Anonima. 2002. Rahasia di Balik Kenikmatan Buah dan Sayuran. Dalam : Wahana Informasi Teknologi Pasca Panen dan Pengolahan Hasil Pertanian.Subdit Teknologi Pengolahan Hasil Holtikultura, Ditjen BPPHP Departemen Pertanian.
Abdullah, M.Z., J. Mohamad-Saleh, F. Syahir, and M. Azemi. 2005. Automated inspection system for colour and shape grading of starfruit (Averrhoa carambola L) using machine vision sensor. Transactions of the Institute of Measurement and Control. 27 (2): 65-87.
Abdullah, M.Z., J. Mohamad-Saleh, F. Syahir, and M. Azemi. 2006. Discrimination and classification of fresh cut starfruits (Averrhoa carambola L.) using automated machine vision system. Journal of Food Engineering. 76 (4): 506-523.
Abbott J.A, R. Lu, B.L. Upchurch, R.L. Stroshine. 1997. Technologies for non destructive quality evaluation of fruits and vegetables. Horticultural Reviews 20: 1-118.
Anjar S.L. 2005. Pemutuan belimbing (Averrhoa carambola L.) berdasarkan tingkat kemanisan dengan metode fuzzy. Skripsi. Fakultas Teknologi Pertanian. IPB. Arham, Z., U. Ahmad, Suroso. 2004. Evaluasi mutu jeruk nipis (Citrus aurantifolia Swingle) dengan pengolahan citra digital dan jaringan syaraf tiruan. Prosiding Semiloka Teknologi Simulasi dan Komputasi serta Aplikasi. Jakarta.
Baker JE. 1989. Perubahan-perubahan morfologi selama pematangan dan penuaan, dalam Fisiologi Pasca Panen Penanganan dan Pemanfaatan Buah-buahan dan Sayur-sayuran Tropika dan Subtropika. Editor : Er.B. Pantastico. Terjemahan Kamariyani. Gajah mada University Press. Yogyakarta.
Briones V., J.M. Aguilera. 2005. Image análisis of changes in surface color of chocolate. Food Research International 38: 87-94
Budiastra IW, HK Purwadaria, D. Saputra. 1995. Assesment on physical characteristics of mango cultivar gedong using image processing. Proceedings
85
The Role of Agricultural Engineering to support Agricultural Industrialization Era. Bogor. 13-14 March, 1995.
Chin LH, ZM Ali, H. Lazan. 1999. Cell wall modifications, degrading enzymes and softening of carambola fruit during ripening. Journal of Experimental Botany 50 (335) : 767-775
Du C.J., D.W. Sun. 2004. Recent developments in the applications of image processing techniques for food quality evaluation. Trends in Food Science and Technology 15: 230-249
Hanbury A. and J. Sera. 2001. Mathematical morphology in the L*a*b* colour space. Technical Report. Centre de morphologie Mathematique. Francis.
Husen HA. 2006. Analisis pendapatan usaha tani dan pemasaran buah belimbing Depok varietas dewa dewi (Averhoa carambola L) (Kasus kecamatan Pancoran Mas, Kota Depok Propinsi Jawa Barat). Skripsi. Fakultas Teknologi Pertanian. Irmansyah, HK Purwadaria, Suroso, U. Ahmad, W. Budiastra. 2008. Analisis warna
untuk klasifikasi tingkat ketuaan buah belimbing dengan menggunakan algoritma pengolahan citra. Jurnal Biofisika 4 (1): 61-72
Jahns G., H.M. Nielsen, W. Paul. 2001. Measuring image analysis attributes and modelling fuzzy consumer aspect for tomato quality grading. Computer and Electronics in Agriculture 31: 17-29
Kang S.P., A.R. East, F.J. Trujillo. 2008. Colour vision system evaluation of bicolour fruit: A case study with ‘B74’ mango. Postharvest Biology and Technology. 49: 77-85
Kavdir I., D.E. Guyer. 2003. Apple grading using fuzzy logic. Turki Journal Agriculture Forestry. 27(4): 375-382.
Kondo N, U. Ahmad , M. Monta, H. Murase. 2000. Machine vision based quality evaluation of Iyokan orange fruit using neural networks. Computers and Electronics in Agriculture 29(2): 135-147
Leon K., D. Mery, F. Pedreschi. J. Leon. 2006. Color measurement in L*a*b* units from RGB digital images. Food Research International 39: 1084-1091
Lu G. and J. Phillips. 1998. Using perceptually weighted histograms for colour-based image retrieval. Fourth International Conference on Signal Processing, October 12-16, 1998. Beijing
Mazloumzadeh SM, M. Shamsi, H. Nezamabadipour. 2008. Evaluation of general purpose lifter for the date harvest industry based on a fuzzy inference system. Computer and Electronics in Agriculture 60 : 60-66
Mendoza F., P. Dejmek, J.M. Aguilera. 2006. Calibrated color measurement of agricultural foods using image analysis. Postharvest Biology and Technology 41: 285-295
Mendoza F., P. Dejmek, J.M. Aguilera. 2007. Colour and image texture analysis in classification of commercial potatochips. Food Research International 40: 1146- 1154
Miller W.M. and M. Zude. 2002. Non destructive Brix sensing of Florida grapefruit and honey tangerine. Proc. Fla. State Horticulture. Soc. 115: 56-50.
Miller W.M. and M. Zude. 2004. NIR-Based sensing to measure soluble solid content of Florida citrus. Applied Engineering in Agriculture. 20(3): 321-327
Munawar AA. 2002. Pendugaan kadar gula dan kekerasanbuah belimbing manis(Averhoa carambola) dengan teknologi Near Infrared. Skripsi. Fakultas Teknologi Pertanian
Nakano K, K. Abe, T. Aida, D. Yang, C. Ato. 2004. A study on the development of grade judgement system for external quality of cantaloupe melon by fuzzy inference. AFITA/WWCA Joint Congress On IT agriculture. Bangkok. Thailand
Nakano K. 1997. Aplication of neural network to the color grading of apples. Computers and Electronic in Agriculture 18: 105-116
Narain N, PS. Bora, HJ Holschuh, Vasconcelos, MA Das. 2001. Physical and Chemical composition of Carambola fruit (Averhoa carambola L.) at three stages of maturity. Cien Technology Aliment 3(3): 144-148
Pedreschi, F., J. Leon, D. Mery., P. Moyano. 2006. Development of a computer vision system to measure the color of potato chips. Food Research International 39: 1092- 1098
Peirs A., J. Lammertyn. K. Ooms, BM. Nicolai. 2000. Prediction of the optimal picking date of different apple cultivars by means of VIS/NIR spectroscopy. Postharvest Biology and Technology 21: 189-199
Purwadaria H.K. and I.W. Budiastra. 1997. Computer controlled on-line system for mango grading using image processing and NIR measurement. Proceedings
87
GAU/IFAC 2ND International Symposium on Mathematical Modelling and Simulation in Agricultural and Bio-industries. 7-9 May 1997, Budapest, Hungary
Sandra. 2007. Pengembangan pemutuan buah manggis untuk ekspor secara non destruktif dengan jaringan syaraf tiruan. Disertasi. Sekolah Pascasarjana IPB. Bogor
Shahin, M.A., B.P. Verma, E.W. Tollner. 2000. Fuzzy logic model for predicting peanut maturity. Transaction of the ASAE. 43 (2): 483-490
Siller C.J., Muy R. D., Báez S,M., García E. R., Araiza L E., 2004. Quality of carambola (Averrhoa carambola L.) fruits harvested at four stages of maturity. Serie Horticultura, Vol. 10 (No. 1): 23-29
Sunarjono H., 2004. Berkebun belimbing manis. Penebar Swadaya. Depok.
Susanto, Suroso, I W Budiastra, H. K. Purwadaria. Classification of mango by artificial neural network based on near infrared diffuse reflectance. Proceedings Biorobotic II, 25-26 November 2000, Sakai , Osaka , Japan.
Thompson AK. 2003. Fruit and Vegetables : Harvesting, Handling and Storage. Blackwell Publishing Ltd. Inggris.
Winarno FG dan M. Aman.1981. Fisiologi Lepas Panen. PT. Sastra Hudaya. Jakarta Yalcin H, S. Tasdemir. 2007. Fuzzy expert system approach for determination of ∝
Linolenic acid content of eggs obtained from hens by dietary flaxseed. Food Science Technology International 13(3): 217-223
Yam, K.L. and SE. Papadakis. 2004. A Simple digital imaging method for measuring and analyzing color of food surfaces. Journal of Food Engineering 61: 137-142 Xu B., D.S. Dale, Y. Huang. 2002. Cotton color classification by fuzzy logic. Textile