i
EVALUASI PARAMETER PEMUTUAN WORTEL (Daucus carota L.) MENGGUNAKAN PENGOLAHAN CITRA
Oleh:
INDRA LASMARA
F14104051
2008
DEPARTEMEN TEKNIK PERTANIAN
FAKULTAS TEKNOLOGI PERTANIAN
ii
EVALUASI PARAMETER PEMUTUAN WORTEL (Daucus carota L.) MENGGUNAKAN PENGOLAHAN CITRA
SKRIPSI
Sebagai salah satu syarat untuk memperoleh gelar
SARJANA TEKNOLOGI PERTANIAN
Pada Departemen Teknik Pertanian Fakultas Teknologi Pertanian
Institut Pertanian Bogor
Oleh :
INDRA LASMARA
F14104051
2008
DEPARTEMEN TEKNIK PERTANIAN
FAKULTAS TEKNOLOGI PERTANIAN
iii
DEPARTEMEN TEKNIK PERTANIAN
FAKULTAS TEKNOLOGI PERTANIAN
INSTITUT PERTANIAN BOGOR
EVALUASI PARAMETER PEMUTUAN WORTEL (Daucus carota L.) MENGGUNAKAN PENGOLAHAN CITRA
SKRIPSI
Sebagai salah satu syarat untuk memperoleh gelar
SARJANA TEKNOLOGI PERTANIAN
Pada Departemen Teknik Pertanian Fakultas Teknologi Pertanian
Institut Pertanian Bogor
Oleh:
INDRA LASMARA
F14104051
Dilahirkan pada tanggal 11 Maret 1985, Kuningan
Tanggal lulus: Bogor, Agustus 2008
Menyetujui,
Dosen Pembimbing Akademik
Dr. Ir. Usman Ahmad, M. Agr
NIP. 131 999 960 Mengetahui,
Dr. Ir. Wawan Hermawan, MS
iv
RIWAYAT HIDUP
Penulis, Indra Lasmara dilahirkan di Kuningan pada tanggal 11 Maret 1985. Anak kedua dari empat bersaudara dari pasangan Iing Solihin dan Diah N.
Penulis menempuh pendidikan di SDN Darma 1 Kuningan lulus tahun 1998 pada tahun yang sama penulis melanjutkan pendidikannya ke MTs Negeri Darma Kuningan lulus tahun 2001 kemudian penulis melanjutkan pendidikannya ke jenjang yang lebih tinggi yaitu ke SMU Negeri 1 Kuningan dan lulus pada tahun 2004. Pada tahun yang sama, penulis diterima di IPB pada Departemen Teknik Pertanian melalui jalur Undangan Seleksi Masuk IPB (USMI). Pada semester lima, penulis masuk bagian Teknik Pengolahan Pangan dan Hasil Pertanian (TPPHP) dengan dosen pembimbing akademik Dr. Ir. Usman Ahmad, M. Agr
Selama perkuliahan, penulis pernah aktif dalam organisasi kemahasiswaan Badan Eksekutif Mahasiswa (BEM) FATETA sebagai staf Kesejahteraan Mahasiswa (KESMA) pada tahun 2006. Selain itu juga, penulis aktif di Organisasi Mahasiswa Daerah (OMDA) Himpunan Mahasiswa Aria Kamuning (HIMARIKA) Kuningan-IPB sebagai pengurus pada tahun 2004-2007, dan sebagai anggota Koperasi Mahasiswa (KOPMA) IPB pada tahun 2005-2006. Pada tahun 2006 penulis menjadi asisten praktikum untuk mata kuliah Termodinamika dan Pindah Panas. Penulis pernah meraih prestasi sebagai juara III penyaji poster pada Pekan Ilmiah Mahasiswa Nasional (PIMNAS) XXI 2008 di Semarang.
v
Indra Lasmara. F14104051. Evaluasi Parameter Pemutuan Wortel (Daucus carrota L.) Menggunakan Pengolahan Citra. Dibawah bimbingan : Dr. Ir. Usman Ahmad, M. Agr. 2008
RINGKASAN
Sayuran merupakan salah satu produk hortikultura yang mempunyai peluang cukup besar untuk dikembangkan di Indonesia. Dari sudut pandang produksi, budidaya sayuran dapat dilakukan secara teratur sepanjang tahun karena iklimnya yang memungkinkan. Salah satu produk hortikultura yang banyak diminati atau dikonsumsi oleh masyarakat adalah wortel. Saat ini perkembangan tanaman wortel sudah cukup luas diusahakan oleh petani, hal ini disebabkan karena harganya yang menguntungkan serta dibutuhkan oleh masyarakat secara luas. Akan tetapi, pedagang atau petani masih kurang optimal dalam melakukan penanganan pasca panen wortel, sehingga produk yang dipasarkan kurang berkualitas. Salah satunya adalah proses pemutuan, dimana proses ini biasanya dilakukan secara visual dengan memperhatikan bentuk fisik, sifat fisik, ukuran buah atau kombinasinya yang dilakukan secara manual. Oleh karena itu, diperlukan sistem visual yang dapat digunakan untuk proses pemutuan dan pendeteksian kerusakan pada buah-buahan dan sayuran. Salah satu sistem visual yang telah dipakai adalah teknik pengolahan citra (image processing).
Tujuan penelitian ini adalah untuk mempelajari parameter mutu visual wortel berdasarkan Standarisasi Nasional Indonesia (SNI) dan yang berlaku di lapangan melalui citra digital, mengevaluasi parameter pemutuan wortel menggunakan pengolahan citra, dan melakukan pemutuan wortel dengan pengolahan citra dan melakukan validasi terhadap hasil pemutuan.
Penelitian ini dilakukan di laboraturium Teknik Pengolahan Pangan dan Hasil Pertanian, Departemen Teknik Pertanian. Adapun waktu pelaksanaannya dimulai pada bulan Mei sampai dengan Juni 2008. Pengukuran wortel dilakukan dengan dua tahap, tahap pertama adalah pengukuran secara langsung dan tahap kedua pengukuran dengan menggunakan metode pengolahan citra.
Setelah dilakukan penelitian, diketahui bahwa pola penyebaran nilai untuk beberapa parameter mutu wortel tidak menunjukkan perbedaan yang signifikan, baik pada pengukuran langsung maupun pada pengolahan citra. Hal ini disebabkan oleh beberapa faktor, diantaranya kejenuhan dan kelelahan mata manusia pada saat melakukan pemutuan secara manual.
Berdasarkan korelasi antara pengukuran manual dan hasil pengolahan citra, didapat nilai koefisien determinasi untuk setiap korelasi. Korelasi anatar area dan berat wortel menghasilkan nilai koefisien determinasi sebesar 0.920. korelasi antara feret’s diameter aktual dengan feret’s diameter hasil pengolahan citra menghasilkan nilai koefisien determinasi sebesar 0.799. Parameter mutu pengolahan citra yang mempunyai korelasi yang baik yaitu korelasi antara panjang aktual dengan panjang hasil pengolahan citra dengan nilai koefisien determinasi sebesar 0.961. Sedangkan parameter mutu pengolahan citra yang mempunyai korelasi kurang baik yaitu korelasi antara diameter aktual dengan dameter hasil pengolahan citra dengan nilai koefisien determinasi sebesar 0.777.
vi pemutuan berdasarkan parameter panjang adalah, mutu A antara 265-320 piksel, mutu B antara 201-265 piksel, dan untuk mutu C kurang dari 201 piksel atau lebih dari 320 piksel. Untuk diameter batas-batas nilai yang digunakan adalah, mutu A antara 84-116 piksel, mutu B antara 52-84 piksel, dan untuk mutu C kurang dari 52 piksel atau lebih dari 116 piksel. Untuk area, batas-batas nilai yang digunakan adalah, mutu A antara 7526-15026 piksel, mutu B antara 5651-7526 piksel, dan untuk mutu C kurang dari 5651 piksel atau lebih dari 15026 piksel.
vii
KATA PENGANTAR
Puji dan syukur penulis panjatkan kehadirat Allah SWT atas rahmat dan hidayah-Nya. Shalawat serta salam semoga tercurahkan pada nabi Muhammad SAW, keluarga serta sahabat sehingga penulis dapat menyelesaikan skripsi yang berjudul “Evaluasi Parameter Pemutuan Wortel (Daucus carota L.) Menggunakan Pengolahan Citra ”. Skripsi ini merupakan salah satu syarat untuk menyelesaikan pendidikan sarjana di Departemen Teknik Pertanian, Fakultas Teknologi Pertanian, IPB.
Dalam penulisan skripsi ini, penulis banyak menerima saran dan kritik serta motivasi dari berbagai pihak. Oleh karena itu, pada kesempatan ini penulis ingin mengucapkan terima kasih kepada :
1. Dr. Ir. Usman Ahmad, M. Agr selaku dosen pembimbing akademik atas bimbingan, arahan, masukan, dan kemudahan dalam penyusunan skripsi ini.
2. Dr. Ir. Suroso, M. Agr dan Dr. Ir. I Dewa Made Subrata, M. Agr selaku dosen penguji yang telah meluangkan waktunya menjadi penguji dan telah memberikan masukan dan bimbingan selama penulisan skripsi ini.
3. Kedua orang tua penulis dan kedua adik penulis (Shofa dan Yayi) yang selalu memberikan doa, motivasi dan semangat pada penulis.
4. Pak Sulyaden yang telah banyak membantu selama penelitian.
5. Frima, Bayu, Shohib, Ilham, Haritz, Emma, Eni, Rizka, Nera, Elvi, Gunawan dan teman-teman lainnya yang telah banyak membantu selama penelitian.
6. Team “Mr. BrownCo” (Sigit, Bach, Irna, Bule, dan Eni) yang telah memberi dukungan dan semangat pada penulis.
7. Saudara-saudara penghuni “Blue House” (Heru, Anami, Salamun, Siwi, Busan, Adi, Andika, Tuko, dan Iboy) yang telah memberikan motivasi dan doa serta semangat pada penulis.
8. Rekan-rekan TEP 41 yang menjadi sumber informasi dan motivasi.
viii membangun. Mohon maaf atas segala kesalahan dan kekurangan. Semoga skripsi ini memberikan manfaat bagi penulis dan pembaca.
Bogor, Agustus 2008
i
DAFTAR ISI
Halaman
DAFTAR ISI ... i
DAFTAR TABEL ... ii
DAFTAR GAMBAR ... iii
DAFTAR LAMPIRAN ... iv
I.PENDAHULUAN ... 1
A. Latar Belakang ... 1
B. Tujuan ... 2
II. TINJAUAN PUSTAKA ... 3
A. Tanaman Wortel ... 3
B. Pengolahan Citra ... 6
C. Pengolahan Warna ... 8
D. Penelitian Terdahulu ... 10
III. METODE PENELITIAN ... 12
A. Waktu dan Tempat Penelitian ... 12
B. Alat dan Bahan ... 12
C. Prosedur Penelitian ... 13
IV. HASIL DAN PEMBAHASAN ... 19
A. Parameter Mutu Wortel dengan Metoda Pengukuran Langsung ... 18
B. Pemrograman Visual Basic 6.0. untuk Evaluasi Pemutuan Wortel ... 23
C. Parameter Mutu Wortel dengan Metoda Pengolahan Citra ... 27
D. Korelasi Pemutuan Wortel Berdasarkan Metoda Pengukuran Langsung dengan metoda Pengolahan Citra ... 36
E. Validasi Parameter Pemutuan Wortel ... 40
V. KESIMPULAN DAN SARAN ... 46
A. Kesimpulan ... 46
B. Saran ... 47
ii
DAFTAR TABEL
Halaman
Tabel 1. Standard pemutuan wortel di tingkat petani ... 5
Tabel 2. Standar pemutuan wortel segar berdasarkan SNI ... 6
Tabel 3. Data perhitungan statistik untuk parameter panjang wortel ... 19
Tabel 4. Data perhitungan statistik untuk parameter diameter wortel ... 20
Tabel 5. Data perhitungan statistik untuk parameter diameter wortel ... 21
Tabel 6. Data perhitungan statistik untuk parameter berat wortel ... 23
Tabel 7. Hasil perhitungan statistik pada parameter panjang wortel hasil pengolahan citra ... 28
Tabel 8. Hasil perhitungan statistik pada Area wortel hasil pengolahan citra ... 29
Tabel 9. Hasil perhitungan statistik pada diameter wortel hasil pengolahan citra …31 Tabel 10. Hasil perhitungan statistik feret’s diameter hasil pengolahan citra ... 33
Tabel 11. Hasil perhitungan statistik pada roundness wortel hasil pengolahan Citra ... 34
Tabel 12. Hasil perhitungan statistik untuk komponen warna merah pada wortel... 35
Tabel 13. Hasil perhitungan statistik untuk komponen warna hijau pada wortel .... 36
Tabel 14. Hasil perhitungan statistik untuk komponen warna biru pada wortel ... 37
Tabel 15. Batas-batas nilai untuk pemutuan wortel secara manual ... 40
Tabel 16. Batas-batas nilai untuk pemutuan wortel dengan pengolahan citra ... 40
Tabel 17. Pendugaan mutu wortel berdasarkan panjang secara manual ... 41
Tabel 18. Pendugaan mutu wortel berdasarkan panjang dengan pengolahan citra .. 41
Tabel 19. Pendugaan mutu wortel berdasarkan diameter secara manual ... 42
Tabel 20. Pendugaan mutu wortel berdasarkan diameter dengan pengolahan citra 43
Tabel 21. Pendugaan mutu wortel berdasarkan berat secara manual ... 44
i
EVALUASI PARAMETER PEMUTUAN WORTEL (Daucus carota L.) MENGGUNAKAN PENGOLAHAN CITRA
Oleh:
INDRA LASMARA
F14104051
2008
DEPARTEMEN TEKNIK PERTANIAN
FAKULTAS TEKNOLOGI PERTANIAN
ii
EVALUASI PARAMETER PEMUTUAN WORTEL (Daucus carota L.) MENGGUNAKAN PENGOLAHAN CITRA
SKRIPSI
Sebagai salah satu syarat untuk memperoleh gelar
SARJANA TEKNOLOGI PERTANIAN
Pada Departemen Teknik Pertanian Fakultas Teknologi Pertanian
Institut Pertanian Bogor
Oleh :
INDRA LASMARA
F14104051
2008
DEPARTEMEN TEKNIK PERTANIAN
FAKULTAS TEKNOLOGI PERTANIAN
iii
DEPARTEMEN TEKNIK PERTANIAN
FAKULTAS TEKNOLOGI PERTANIAN
INSTITUT PERTANIAN BOGOR
EVALUASI PARAMETER PEMUTUAN WORTEL (Daucus carota L.) MENGGUNAKAN PENGOLAHAN CITRA
SKRIPSI
Sebagai salah satu syarat untuk memperoleh gelar
SARJANA TEKNOLOGI PERTANIAN
Pada Departemen Teknik Pertanian Fakultas Teknologi Pertanian
Institut Pertanian Bogor
Oleh:
INDRA LASMARA
F14104051
Dilahirkan pada tanggal 11 Maret 1985, Kuningan
Tanggal lulus: Bogor, Agustus 2008
Menyetujui,
Dosen Pembimbing Akademik
Dr. Ir. Usman Ahmad, M. Agr
NIP. 131 999 960 Mengetahui,
Dr. Ir. Wawan Hermawan, MS
iv
RIWAYAT HIDUP
Penulis, Indra Lasmara dilahirkan di Kuningan pada tanggal 11 Maret 1985. Anak kedua dari empat bersaudara dari pasangan Iing Solihin dan Diah N.
Penulis menempuh pendidikan di SDN Darma 1 Kuningan lulus tahun 1998 pada tahun yang sama penulis melanjutkan pendidikannya ke MTs Negeri Darma Kuningan lulus tahun 2001 kemudian penulis melanjutkan pendidikannya ke jenjang yang lebih tinggi yaitu ke SMU Negeri 1 Kuningan dan lulus pada tahun 2004. Pada tahun yang sama, penulis diterima di IPB pada Departemen Teknik Pertanian melalui jalur Undangan Seleksi Masuk IPB (USMI). Pada semester lima, penulis masuk bagian Teknik Pengolahan Pangan dan Hasil Pertanian (TPPHP) dengan dosen pembimbing akademik Dr. Ir. Usman Ahmad, M. Agr
Selama perkuliahan, penulis pernah aktif dalam organisasi kemahasiswaan Badan Eksekutif Mahasiswa (BEM) FATETA sebagai staf Kesejahteraan Mahasiswa (KESMA) pada tahun 2006. Selain itu juga, penulis aktif di Organisasi Mahasiswa Daerah (OMDA) Himpunan Mahasiswa Aria Kamuning (HIMARIKA) Kuningan-IPB sebagai pengurus pada tahun 2004-2007, dan sebagai anggota Koperasi Mahasiswa (KOPMA) IPB pada tahun 2005-2006. Pada tahun 2006 penulis menjadi asisten praktikum untuk mata kuliah Termodinamika dan Pindah Panas. Penulis pernah meraih prestasi sebagai juara III penyaji poster pada Pekan Ilmiah Mahasiswa Nasional (PIMNAS) XXI 2008 di Semarang.
v
Indra Lasmara. F14104051. Evaluasi Parameter Pemutuan Wortel (Daucus carrota L.) Menggunakan Pengolahan Citra. Dibawah bimbingan : Dr. Ir. Usman Ahmad, M. Agr. 2008
RINGKASAN
Sayuran merupakan salah satu produk hortikultura yang mempunyai peluang cukup besar untuk dikembangkan di Indonesia. Dari sudut pandang produksi, budidaya sayuran dapat dilakukan secara teratur sepanjang tahun karena iklimnya yang memungkinkan. Salah satu produk hortikultura yang banyak diminati atau dikonsumsi oleh masyarakat adalah wortel. Saat ini perkembangan tanaman wortel sudah cukup luas diusahakan oleh petani, hal ini disebabkan karena harganya yang menguntungkan serta dibutuhkan oleh masyarakat secara luas. Akan tetapi, pedagang atau petani masih kurang optimal dalam melakukan penanganan pasca panen wortel, sehingga produk yang dipasarkan kurang berkualitas. Salah satunya adalah proses pemutuan, dimana proses ini biasanya dilakukan secara visual dengan memperhatikan bentuk fisik, sifat fisik, ukuran buah atau kombinasinya yang dilakukan secara manual. Oleh karena itu, diperlukan sistem visual yang dapat digunakan untuk proses pemutuan dan pendeteksian kerusakan pada buah-buahan dan sayuran. Salah satu sistem visual yang telah dipakai adalah teknik pengolahan citra (image processing).
Tujuan penelitian ini adalah untuk mempelajari parameter mutu visual wortel berdasarkan Standarisasi Nasional Indonesia (SNI) dan yang berlaku di lapangan melalui citra digital, mengevaluasi parameter pemutuan wortel menggunakan pengolahan citra, dan melakukan pemutuan wortel dengan pengolahan citra dan melakukan validasi terhadap hasil pemutuan.
Penelitian ini dilakukan di laboraturium Teknik Pengolahan Pangan dan Hasil Pertanian, Departemen Teknik Pertanian. Adapun waktu pelaksanaannya dimulai pada bulan Mei sampai dengan Juni 2008. Pengukuran wortel dilakukan dengan dua tahap, tahap pertama adalah pengukuran secara langsung dan tahap kedua pengukuran dengan menggunakan metode pengolahan citra.
Setelah dilakukan penelitian, diketahui bahwa pola penyebaran nilai untuk beberapa parameter mutu wortel tidak menunjukkan perbedaan yang signifikan, baik pada pengukuran langsung maupun pada pengolahan citra. Hal ini disebabkan oleh beberapa faktor, diantaranya kejenuhan dan kelelahan mata manusia pada saat melakukan pemutuan secara manual.
Berdasarkan korelasi antara pengukuran manual dan hasil pengolahan citra, didapat nilai koefisien determinasi untuk setiap korelasi. Korelasi anatar area dan berat wortel menghasilkan nilai koefisien determinasi sebesar 0.920. korelasi antara feret’s diameter aktual dengan feret’s diameter hasil pengolahan citra menghasilkan nilai koefisien determinasi sebesar 0.799. Parameter mutu pengolahan citra yang mempunyai korelasi yang baik yaitu korelasi antara panjang aktual dengan panjang hasil pengolahan citra dengan nilai koefisien determinasi sebesar 0.961. Sedangkan parameter mutu pengolahan citra yang mempunyai korelasi kurang baik yaitu korelasi antara diameter aktual dengan dameter hasil pengolahan citra dengan nilai koefisien determinasi sebesar 0.777.
vi pemutuan berdasarkan parameter panjang adalah, mutu A antara 265-320 piksel, mutu B antara 201-265 piksel, dan untuk mutu C kurang dari 201 piksel atau lebih dari 320 piksel. Untuk diameter batas-batas nilai yang digunakan adalah, mutu A antara 84-116 piksel, mutu B antara 52-84 piksel, dan untuk mutu C kurang dari 52 piksel atau lebih dari 116 piksel. Untuk area, batas-batas nilai yang digunakan adalah, mutu A antara 7526-15026 piksel, mutu B antara 5651-7526 piksel, dan untuk mutu C kurang dari 5651 piksel atau lebih dari 15026 piksel.
vii
KATA PENGANTAR
Puji dan syukur penulis panjatkan kehadirat Allah SWT atas rahmat dan hidayah-Nya. Shalawat serta salam semoga tercurahkan pada nabi Muhammad SAW, keluarga serta sahabat sehingga penulis dapat menyelesaikan skripsi yang berjudul “Evaluasi Parameter Pemutuan Wortel (Daucus carota L.) Menggunakan Pengolahan Citra ”. Skripsi ini merupakan salah satu syarat untuk menyelesaikan pendidikan sarjana di Departemen Teknik Pertanian, Fakultas Teknologi Pertanian, IPB.
Dalam penulisan skripsi ini, penulis banyak menerima saran dan kritik serta motivasi dari berbagai pihak. Oleh karena itu, pada kesempatan ini penulis ingin mengucapkan terima kasih kepada :
1. Dr. Ir. Usman Ahmad, M. Agr selaku dosen pembimbing akademik atas bimbingan, arahan, masukan, dan kemudahan dalam penyusunan skripsi ini.
2. Dr. Ir. Suroso, M. Agr dan Dr. Ir. I Dewa Made Subrata, M. Agr selaku dosen penguji yang telah meluangkan waktunya menjadi penguji dan telah memberikan masukan dan bimbingan selama penulisan skripsi ini.
3. Kedua orang tua penulis dan kedua adik penulis (Shofa dan Yayi) yang selalu memberikan doa, motivasi dan semangat pada penulis.
4. Pak Sulyaden yang telah banyak membantu selama penelitian.
5. Frima, Bayu, Shohib, Ilham, Haritz, Emma, Eni, Rizka, Nera, Elvi, Gunawan dan teman-teman lainnya yang telah banyak membantu selama penelitian.
6. Team “Mr. BrownCo” (Sigit, Bach, Irna, Bule, dan Eni) yang telah memberi dukungan dan semangat pada penulis.
7. Saudara-saudara penghuni “Blue House” (Heru, Anami, Salamun, Siwi, Busan, Adi, Andika, Tuko, dan Iboy) yang telah memberikan motivasi dan doa serta semangat pada penulis.
8. Rekan-rekan TEP 41 yang menjadi sumber informasi dan motivasi.
viii membangun. Mohon maaf atas segala kesalahan dan kekurangan. Semoga skripsi ini memberikan manfaat bagi penulis dan pembaca.
Bogor, Agustus 2008
i
DAFTAR ISI
Halaman
DAFTAR ISI ... i
DAFTAR TABEL ... ii
DAFTAR GAMBAR ... iii
DAFTAR LAMPIRAN ... iv
I.PENDAHULUAN ... 1
A. Latar Belakang ... 1
B. Tujuan ... 2
II. TINJAUAN PUSTAKA ... 3
A. Tanaman Wortel ... 3
B. Pengolahan Citra ... 6
C. Pengolahan Warna ... 8
D. Penelitian Terdahulu ... 10
III. METODE PENELITIAN ... 12
A. Waktu dan Tempat Penelitian ... 12
B. Alat dan Bahan ... 12
C. Prosedur Penelitian ... 13
IV. HASIL DAN PEMBAHASAN ... 19
A. Parameter Mutu Wortel dengan Metoda Pengukuran Langsung ... 18
B. Pemrograman Visual Basic 6.0. untuk Evaluasi Pemutuan Wortel ... 23
C. Parameter Mutu Wortel dengan Metoda Pengolahan Citra ... 27
D. Korelasi Pemutuan Wortel Berdasarkan Metoda Pengukuran Langsung dengan metoda Pengolahan Citra ... 36
E. Validasi Parameter Pemutuan Wortel ... 40
V. KESIMPULAN DAN SARAN ... 46
A. Kesimpulan ... 46
B. Saran ... 47
ii
DAFTAR TABEL
Halaman
Tabel 1. Standard pemutuan wortel di tingkat petani ... 5
Tabel 2. Standar pemutuan wortel segar berdasarkan SNI ... 6
Tabel 3. Data perhitungan statistik untuk parameter panjang wortel ... 19
Tabel 4. Data perhitungan statistik untuk parameter diameter wortel ... 20
Tabel 5. Data perhitungan statistik untuk parameter diameter wortel ... 21
Tabel 6. Data perhitungan statistik untuk parameter berat wortel ... 23
Tabel 7. Hasil perhitungan statistik pada parameter panjang wortel hasil pengolahan citra ... 28
Tabel 8. Hasil perhitungan statistik pada Area wortel hasil pengolahan citra ... 29
Tabel 9. Hasil perhitungan statistik pada diameter wortel hasil pengolahan citra …31 Tabel 10. Hasil perhitungan statistik feret’s diameter hasil pengolahan citra ... 33
Tabel 11. Hasil perhitungan statistik pada roundness wortel hasil pengolahan Citra ... 34
Tabel 12. Hasil perhitungan statistik untuk komponen warna merah pada wortel... 35
Tabel 13. Hasil perhitungan statistik untuk komponen warna hijau pada wortel .... 36
Tabel 14. Hasil perhitungan statistik untuk komponen warna biru pada wortel ... 37
Tabel 15. Batas-batas nilai untuk pemutuan wortel secara manual ... 40
Tabel 16. Batas-batas nilai untuk pemutuan wortel dengan pengolahan citra ... 40
Tabel 17. Pendugaan mutu wortel berdasarkan panjang secara manual ... 41
Tabel 18. Pendugaan mutu wortel berdasarkan panjang dengan pengolahan citra .. 41
Tabel 19. Pendugaan mutu wortel berdasarkan diameter secara manual ... 42
Tabel 20. Pendugaan mutu wortel berdasarkan diameter dengan pengolahan citra 43
Tabel 21. Pendugaan mutu wortel berdasarkan berat secara manual ... 44
iii
DAFTAR GAMBAR
Halaman
Gambar 1. Elemen-elemen dari sistem pengolahan citra ... 7
Gambar 2. Skema perangkat keras untuk pengolahan citra beserta aliran datanya . 8
Gambar 4. Batas titik pengukuran diameter untuk pengukuran langsung ... 12
Gambar 3. Batas titik pengukuran panjang ... 14
Gambar 5. Batas titik pengukuran diameter untuk pengolahan citra ... 15
Gambar 6. Batas pengukuran area objek ... 16
Gambar 7. Diagram alir proses pemutuan wortel ... 17
Gambar 8. Sebaran nilai panjang untuk masing-masing mutu wortel ... 18
Gambar 9. Sebaran nilai diameter untuk masing-masing mutu wortel ... 20
Gambar 10. Sebaran nilai diameter untuk masing-masing mutu wortel ... 21
Gambar 11. Sebaran nilai berat untuk masing-masing mutu wortel ... 22
Gambar 12. Tampilan program setelah dieksekusi ... 24
Gambar 13. Operasi thresholding dan perbaikan citra ... 26
Gambar 14. Tampilan program setelah semua proses dilakukan ... 27
Gambar 15. Sebaran nilai panjang hasil pengolahan citra ... 28
Gambar 16. Sebaran nilai area hasil pengolahan citra ... 29
Gambar 17. Sebaran nilai diameter hasil pengolahan citra ... 31
Gambar 18. Sebaran nilai feret’s diameter hasil pengolahan citra ... 32
Gambar 19. Sebaran nilai roundness hasil pengolahan citra ... 34
Gambar 20. Sebaran komponen warna merah pada wortel ... 35
Gambar 21. Sebaran komponen warna hijau pada wortel ... 36
Gambar 22. Sebaran komponen warna biru pada wortel ... 36
Gambar 23. Hubungan antara panjang aktual dengan panjang hasil pengolahan citra. ... 37
Gambar 24. Hubungan antara diameter aktual dengan diameter hasil pengolahan citra ... 38
Gambar 25. Hubungan antara berat dengan area hasil pengolahan citra ... 39
iv
DAFTAR LAMPIRAN
1
I. PENDAHULUAN
A.LATAR BELAKANG
Sayuran merupakan salah satu produk hortikultura yang mempunyai peluang cukup besar untuk dikembangkan di Indonesia. Dari sudut pandang produksi, budidaya sayuran dapat dilakukan secara teratur sepanjang tahun karena iklimnya yang memungkinkan. Selain itu, topografi Indonesia juga memungkinkan pengembangan tanaman sayuran, baik dalam skala besar maupun kecil. Sejalan dengan bertambahnya jumlah penduduk, meningkatnya pendapatan dan kesadaran masyarakat akan pentingnya nilai gizi makanan memberi dampak meningkatnya permintaan sayur-sayuran.
Salah satu produk hortikultura yang banyak diminati atau dikonsumsi oleh masyarakat adalah wortel. Wortel merupakan salah satu sayuran yang memiliki nilai ekonomis tinggi. Wortel biasanya dipasarkan dalam bentuk wortel segar maupun dalam bentuk olahan (fresh cut). Sayuran ini sudah sangat dikenal masyarakat Indonesia dan popular sebagai sumber vitamin A karena memilki kadar karoten (provitamin A).
Saat ini perkembangan tanaman wortel sudah cukup luas diusahakan oleh petani, hal ini disebabkan karena harganya yang menguntungkan serta dibutuhkan oleh masyarakat secara luas. Permintaan wortel setiap tahunnya di dalam negeri cenderung meningkat. Akan tetapi, pedagang atau petani masih kurang optimal dalam melakukan penanganan pasca panen wortel, sehingga produk yang dipasarkan kurang berkualitas. Salah satunya adalah proses pemutuan, dimana proses ini biasanya dilakukan secara visual dengan memperhatikan bentuk fisik, sifat fisik, ukuran buah atau kombinasinya yang dilakukan secara manual. Pemutuan secara manual ini masih memiliki banyak kekurangan karena sistem visual manusia dapat mengalami kelelahan dan kejenuhan sehingga hasil yang diperoleh tidak konsisten.
2 untuk mendapatkan informasi dari citra dengan cara memodifikasi bagian dari citra yang diperlukan sehingga menghasilkan citra lain yang lebih informatif (jain et al.,1995)
Dengan adanya sistem visual diharapkan dapat membantu proses pemutuan sehingga diperoleh hasil yang konsisten dan sesuai dengan keinginan pangsa pasar serta dapat diterima oleh konsumen. Oleh sebab itu, konsumen kalangan menengah keatas cenderung lebih memilih produk yang memiliki mutu yang bagus walaupun dengan harga yang lebih tinggi.
B. TUJUAN
Tujuan umum dari penelitian ini adalah untuk mempelajari dan mengevaluasi parameter pemutuan wortel dengan menggunakan pengolahan citra. Sedangkan tujuan khusus penelitian ini adalah:
1.Mempelajari parameter mutu visual wortel berdasarkan Standarisasi Nasional Indonesia (SNI) dan yang berlaku di lapangan melalui citra digital.
2.Mengevaluasi parameter pemutuan wortel menggunakan pengolahan citra. 3.Melakukan pemutuan wortel dengan pengolahan citra dan melakukan validasi
3
II. TINJAUAN PUSTAKA
A.TANAMAN WORTEL
1. Botani Tanaman wortel
Wortel (Daucus carota) adalah tumbuhan sayur yang ditanam sepanjang tahun, terutama di daerah pegunungan yang memiliki suhu udara dingin dan lembab, kurang lebih pada ketinggian 1200 meter di atas permukaan laut.
Sayuran ini sudah sangat dikenal masyarakat Indonesia dan populer sebagai sumber vitamin A karena memiliki kadar karotena (provitamin A). Selain itu, wortel juga mengandung vitamin B dan C, serta zat-zat lain yang bermanfaat bagi kesehatan manusia. Sosok tanamannya berupa rumput dan menyimpan cadangan makanannya di dalam umbi. Mempunyai batang pendek, berakar tunggang yang bentuk dan fungsinya berubah menjadi umbi bulat dan memanjang. Umbi berwarna kuning kemerah-merahan, berkulit tipis, dan jika dimakan mentah terasa renyah dan agak manis.
Wortel menyukai tanah yang gembur dan subur. Menurut para botanis, wortel (Daucus carota) dapat dibedakan atas beberapa jenis, di antaranya:
a) jenis imperator, yakni wortel yang memiliki umbi akar berukuran panjang dengan ujung meruncing dan rasanya kurang manis.
b)jenis chantenang, yakni wortel yang memiliki umbi akar berbentuk bulat panjang dan rasanya manis.
c) jenis mantes, yakni wortel hasil kombinasi dari jenis wortel imperator dan chantenang. Umbi akar wortel berwarna khas orange.
Adapun klasifikasi wortel dalam taksonomi tumbuhan adalah sebagai berikut:
Kingdom : Plantae Subkingdom : Spermathophyta Sub-divisi : Angiospermae Kelas : Dicotyledone
4
2. Syarat Tumbuh
Wortel merupakan tanaman subtropis yang memerlukan suhu dingin (22-24° C), lembap, dan cukup sinar matahari. Di Indonesia kondisi seperti itu biasanya terdapat di daerah berketinggian antara 1200-1500 m dpl. Sekarang wortel sudah dapat ditanam di daerah berketinggian 600 m dpl. Dianjurkan untuk menanam wortel pada tanah yang subur, gembur dan kaya humus dengan pH antara 5.5-6.5. Tanah yang kurang subur masih dapat ditanami wortel asalkan dilakukan pemupukan intensif. Kebanyakan tanah dataran tinggi di Indonesia mempunyai pH rendah. Bila demikian, tanah perlu dikapur, karena tanah yang asam menghambat perkembangan umbi.
3. Panen dan Pascapanen
a. Pemanenan
Wortel dapat dipanen setelah 100 hari tergantung dari jenisnya. Pemanenan tidak boleh terlambat karena umbi akan semakin mengeras (berkayu) sehingga tidak disukai konsumen. Cara pemanenan dilakukan dengan jalan mencabut umbi beserta akarnya. Untuk memudahkan pencabutan sebaiknya tanah digemburkan dahulu. Pemanenan sebaiknya dilakukan pagi hari agar dapat segera dipasarkan.
b. Pembersihan dan Sortasi
Pembersihan dilakukan dengan cara melepas untaian yang menempel pada umbi wortel, kemudian dilakukan pencucian. Setelah pencucian,dilakukan sortasi untuk memisahkan umbi yang besar, sedang, dan kecil atau sesuai dengan kelas mutu yang sudah ditentukan. Umbi yang rusak dan terluka dipisahkan karena mudah terkena infeksi mikroba pembusuk.
4. Standarisasi kualitas
Kualitas diartikan sebagai beberapa hal yang membuat sesuatu menjadi bernilai atau unggul. Tekstur tanaman hortikultura (buah/sayuran) sangat menentukan kualitas makanan dan masakan dan merupakan faktor yang diperlukan untuk mempertahankan cekaman selama pengiriman. Ada beberapa komponen kualitas buah dan sayur segar yaitu:
a. Penampilan/penampakan (visual)
1). Ukuran : dimensi, berat, volume
5 3). Kilap : lapisan lilin alami
4). Cacat : eksternal, internal (morfologi, fisiologi, dan mekanik patologis dan entomologi)
b. Tekstur: kekakuan, kekerasan, kelembutan, kerenyahan
c. Flavour (rasa dan aroma) : manis, asam, pahit, lipid, vitamin, dan mineral d. Safety (keamanan): senyawa toksik alami, kontaminan (residu bahan kimia,
logam berat), mycotoksin, kontaminan mikroba.
Standarisasi merupakan fasilitas evaluasi selama transaksi. Dalam mekanisme yang komplek dari pemasaran sayur dan buah, standarisasi memperkecil resiko kerugian pembeli saat memperoleh produk bermutu rendah dengan pembayaran yang tinggi. Beberapa jenis sayuran di Indonesia mempunyai Standarisasi Nasional Indonesia (SNI), standar ini dijadikan sebagai acuan untuk melakukan pengkelasan atau pemutuan produk. Selain mengacu pada SNI, biasanya para petani mempunyai standar sendiri untuk melakukan pemutuan atau pengkelasan pada buah dan sayuran. Tabel 1 dan Tabel 2 dibawah ini menunjukan standar pemutuan wortel ditingkat petani dan pemutuan berdasarkan SNI.
Tabel 1. Standard pemutuan wortel di tingkat petani
Kriteria Mutu A (I) Mutu B (II)
Diameter 3 cm < D < 4 cm 2 cm ≤ D ≤ 3 cm Panjang 20 cm ≤ P ≤ 25 cm 15 cm < P < 20 cm Bobot 100 gram ≤ B ≤ 200 gram 50 gram < B < 100 gram Fisik - Permukaan halus
- Tidak bercabang - Tidak ada benjolan - Lurus
- Memiliki warna yang normal
- Tekstur keras
- Tidak ada luka akibat pemanenan
- Permukaan halus - Tekstur keras
- Memiliki warna yang normal
6 Tabel 2. Standar pemutuan wortel segar berdasarkan SNI
Karakteristik Mutu I Mutu II Pengujian
Kesamaan sifat varietas Seragam Seragam Organoleptik Kekerasan Keras Keras Organoleptik
Warna Normal Normal Organoleptik
Kerataan Cukup rata Cukup rata Organoleptik
Kerusakan (%) 5 10 -
Tekstur Tidak mengayu Tidak mengayu Organoleptik Sumber: SNI 01-3163-1992
B.PENGOLAHAN CITRA
Pengolahan citra (image processing) merupakan proses pengolahan dan analisis citra yang banyak melibatkan persepsi visual. Citra yang dimaksud adalah citra digital untuk membedakan dengan citra lain seperti foto dan lain-lain. Proses ini mempunyai data masukan dan informasi keluaran yang berbentuk citra. Berbeda dengan machine vision yang memiliki data masukan berupa citra dengan data keluaran berupa aksi atau gerak manipulator dan bukan merupakan citra lagi. Pengolahan citra merupakan bidang tersendiri yang sudah cukup berkembang. Teknik ini cukup banyak digunakan dalam proses pengembangan sortasi menggunakan mata elektronik dengan akurasi tinggi.
7 CITRA
MASUKAN CITRA DIGITAL
Gambar 1. Elemen-elemen dari sistem pengolahan citra
Citra f (x,y) disimpan dalam memori komputer atau penyimpanan bingkai citra dalam bentuk array M x N dari contoh diskrit dengan jarak yang sama sebagai berikut: ⎟⎟ ⎟ ⎟ ⎟ ⎠ ⎞ ⎜⎜ ⎜ ⎜ ⎜ ⎝ ⎛ − − − − − − = ) 1 , 1 ( )... 1 , 1 ( ) 0 , 1 ( . ... ... ... ... ) 1 , 1 ( )... 1 , 1 ( ) 0 , 1 ( ) 1 , 0 ( )... 1 , 0 ( ) 0 , 0 ( ) , ( n m f m f m f n f f f n f f f y x f
Setiap elemen dari array diatas disebut sebagai piksel yang merupakan suatu daerah bujur sangkar kecil dengan ukuran tertentu dan menunjukan harga intensitas keabuan piksel pada lokasi yang bersangkutan. Ukuran piksel ini sering disebut dengan resolusi piksel.
Ahmad (2005) menyebutkan bahwa sebuah piksel merupakan sample dari pemandangan yang mengandung intensitas citra yang dinyatakan dalam bilangan bulat.
Pada pengolahan citra ada dua unsur utama sebagai penyusunnya, yaitu perangkat keras dan perngkat lunak. Komponen utama dari perangkat keras pengolahan citra digital adalah kamera penangkap citra, komputer dan alat peraga. Kamera yang sering digunakan untuk menangkap citra dalam proses pengolahan citra untuk keperluan sortasi adalah kamera CCD (charge-coupled-device). Adapun komputer yang digunakan tersebut bisa dari jenis komputer multi guna atau dari jenis khusus yang dirancang untuk pengolahan citra digital. Adapun skema
8 perangkat keras untuk pengolahn citra beserta aliran datanya bisa dilihat pada Gambar 2.
Gambar 2. Skema perangkat keras untuk pengolahan citra beserta aliran datanya
Perangkat lunak (software) yang digunakan dalam pengolahan citra tergantung pada jenis frame grabber yang digunaknan. Dari segi penggunaan, sedikitnya ada dua jenis image frame grabber, yaitu jenis yang bisa diprogram (programmable) dimana pustaka fungsinya disertakan dan cara pemakaian dalam pemrograman dengan bahasa pemrograman tertentu diberikan, dan jenis yang tidak bisa diprogram (non-programmable), atau setidaknya tanpa dilengkapi buku petunjuk dan fungsi pustaka untuk melakukan pemrograman, sehingga sulit membuat program khusus untuk menggunakannya.
C. PENGOLAHAN WARNA
Warna merupakan salah satu komponen yang digunakan sebagai salah satu parameter dalam pengolahan citra. Warna adalah tidak lebih dari sekedar respon psyco-phsyological dari itensitas yang berbeda yang tidak mempunyai bentuk fisik yang nyata.
Ahmad (2005) menyebutkan bahwa ada tiga faktor yang mempengaruhi munculnya warna, yaitu spectral replectance dari suatu permukaan (menentukan bagaimana suatu permukaan memantulkan warna), spectral content dari cahaya yang menyinari (kandungan warna dari cahaya yang menyinari permukaan), dan
A/D bingkai Converter memori Kamera
Algoritma Pengolahan citra Objek
Penangkap bingkai citra
9 spectral response dari sensor dalam peralatan sistem visual (kemampuan merespon warna dari sensor dalam imaging system).
Salah satu kunci untuk mengolah warna dalam pengolahan citra adalah menentukan model warna yang sesuai dengan persepsi manusia terhadap warna. Adapun model warna yang telah dikembangkan oleh para ahli terdiri dari model warna RGB (Red, Green, Blue), model warna CMY(K) (Cyan, Magenta, Yellow), model warna YCbCr, dan model warna HSI (Hue, saturation, Intensity).
Model warna RGB merupakan model warna pokok aditif yaitu warna dibentuk dengan mengkombinasikan energi cahaya dari ketiga pokok dalam berbagai perbandingan, display komputer menggunakan model warna RGB. Sedangkan model warna CMY(K) merupakan model warna subtraktif yang mana pembentukan suatu warna dilakukan dengan menghilangkan beberapa komponen dari cahaya putih. Komponen warna tertentu yang dihilangkan dalam model warna subtraktif tidak akan berkontribusi dalam pembentukan suatu warna. Model warna subtraktif banyak digunakan pada mesin pencetak dokumen berwarna seperti pada sistem printer warna.
Model warna HSI dianggap paling sesuai dengan persepsi manusia dalam memandang suatu warna. Intensitas merupakan nilai model warna HSI menampilkan warna dalam besaran-besaran corak (hue), saturasi (kejenuhan) dan intensitas. Intensitas adalah nilai abu-abu dari piksel dalam citra abu-abu. Nilai corak dapat diaplikasikan untuk membedakan antara objek dengan latar belakang. Saturasi yang tinggi dapat menjadi jaminan nilai hue cukup akurat dalam membedakan warna obyek dengan latar belakang. Komponen-komponen dalam model warna HSI dapat diperoleh dari model warna RGB melalui perhitungan.
Ahmad (2005) menuliskan beberapa persamaan penting untuk proses transformasi model warna RGB menjadi model warna HSI, Persamaan transformasi tersebut adalah sebagai berikut:
3 B G R
I = + + ………..1
) )( ( ) ( 2 2
2 R B G B
G R B G R CosH − − + − − − = ………2 ) , , min( 3
1 R G B
10 Model warna RGB dapat dinyatakan dalam bentuk indeks warna RGB dengan persamaan sebagai berikut:
Indek warna merah:
B G R R r + +
= ……….4
Indeks warna hijau:
B G R G g + + = ……….5
Indeks warna biru:
B G R B b + + = ……..…………...6
D.PENELITIAN TERDAHULU
Qadavy (1998) melakukan penelitian untuk menentukan kematangan durian dengan teknik pengolahan citra. Hasil penelitian ini menunjukan bahwa berat buah durian, kekerasan daging buah durian, dan intensitas warna biru pada buah durian matang lebih kecil dari berat, kekerasan daging dan intensitas warna biru buah durian yang belum matang. Sedangkan kandungan gula, intensitas warna merah dan hijau pada buah durian matang lebih berat daripada buah durian yang belum matang.
Damiri (2003), telah mengidentifikasi tingkat ketuaan dan kematangan jeruk lemon (citrus medica) menggunakan image processing dan jaringan syaraf tiruan (JST). Dari hasil penelitian ini diperoleh bahwa indeks warna merah dan warna hijau dalam pengolahan citra dapat membedakan tingkat kematangan buah jeruk lemon pada umur petik 100 hari dengan tingkat kematangan umur petik 110 hari secara langsung.
12
III. METODE PENELITIAN
A. WAKTU DAN TEMPAT PENELITIAN
Pelaksanaan penelitian dilakukan di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian (TPPHP), Departemen Teknik Pertanian, Fakultas Teknologi Pertanian, Institut Pertanian Bogor. Waktu Pelaksanaan penelitian mulai dari bulan Maret hingga Juni 2008.
B. ALAT DAN BAHAN
1. Bahan
Pada penelitian ini bahan yang digunakan adalah wortel mutu I, mutu II, dan mutu III (reject) dengan jumlah masing-masing 100 sampel dan untuk validasi masing-masing 50 sampel. Wortel yang digunakan diambil dari Pacet Segar Cianjur-Cipanas, Jawa Barat.
2. Alat
a. Perangkat keras
Perangkat keras yang digunakan untuk pengambilan citra wortel pada penelitian ini adalah kamera CCD, seperangkat komputer, empat buah lampu TL yang masing-masing memiliki daya sebesar 5 watt dengan ketinggian pemasangan 40 cm dan sudut 35o. Selain itu digunakan juga perangkat keras yang akan digunakan untuk pengukuran secara langsung seperti jangka sorong untuk mengukur diameter dan panjang wortel. Kain putih atau kain hitam yang digunakan untuk penutup agar cahaya dari luar tidak dapat masuk. Salin itu juga kain ini digunakan sebagai alas atau background dari objek yang akan diambil citranya. Perangkat keras lainnya yang digunakan untuk pengukuran secara langsung adalah luxmeter yang befungsi untuk mengukur besarnya intensitas cahaya.
b. Perangkat Lunak
13
C. PROSEDUR PENELITIAN
Pengambilan data tiap sampel dilakukan sebanyak satu kali. Program yang akan dikembangkan memiliki kemampuan untuk menghitung panjang objek yang digunakan untuk mewakili panjang buah, diameter objek digunakan untuk mewakili garis tengah pangkal buah, komponen warna RGB (Red, Green, Blue) digunakan untuk mewakili keseragaman warna dan roundness digunakan untuk mewakili keseragaman bentuk pada buah.
1. Pengukuran Manual
Pemutuan secara manual diperoleh berdasarkan karakteristik obyek (wortel) pada tiap kelas yang diperoleh dari pedagang atau petani wortel sesuai dengan yang telah ditetapkan. Pemutuan manual pada wortel ditentukan berdasarkan parameter berat, panjang, dan diameter.Pengukuran berat dilakukan dengan menggunakan timbangan digital. Pengukuran panjang wortel dilakukan dengan menggunakan penggaris biasa. Sedangkan untuk pengukuran diameter wortel alat yang digunakan adalah jangka sorong. Adapun batas titik pengukuran diameter dapat dilihat pada Gambar 3.
Gambar 3. Batas titik pengukuran diameter untuk pengukuran langsung
2. Pengambilan Citra
Sebelum dilakukan pengambilan citra, wortel terlebih dahulu disortir dan dibersihkan. Kemudian wortel dengan tingkatan mutu yang berbeda yaitu mutu I, mutu II dan Mutu III diambil citranya dengan menggunakan kamera CCD dengan sistem pengolahan citra (image processing). Pengambilan citra dilakukan satu kali dengan prosedur pengambilan citra sebagai berikut:
Diameter Pangkal
1.5 cm 1.5 cm
Diameter Tengah
14 a. Wortel diletakkan diatas kain putih sebagai latar belakang dan dibawah kamera dengan jarak 40 cm. Sedangkan empat buah lampu TL diletakkan pada ketinggian 50 cm dengan sudut pencahayaan 35o dan jarak antar lampu 16 cm. b. Perangkat komputer, kamera CCD dan lampu penerang dinyalakan untuk
memberikan pencahayaan tambahan pada wortel.
c. Citra wortel ditangkap oleh sensor kamera CCD melalui lensa dan ditampilkan dimonitor yang dihubungkan dengan sensor kamera.
d. Citra wortel direkam dalam ukuran 348x184 piksel dan resolusi 72 piksel/inchi dengan 256 tingkat intensitas cahaya merah, hijau dan biru (RGB).
e. Citra wortel yang telah direkam kemudian disimpan dalam sebuah file dalam format .tiff, untuk selanjutnya dikonversi ke dalam format .jpeg.
3. Pengolahan citra
Pengolahn citra yang dilakukan meliputi pengukuran panjang, diameter, pengukuran luas proyeksi,dan pengukuran komponen warna pada objek.
a. Pengukuran Panjang Objek
Panjang objek dalam citra digital diperoleh dengan cara pengukuran jarak. Untuk perhitungan jarak ditentukan dengan persamaan Euclidian, jarak diperoleh dengan cara mengalikan jumlah piksel dengan ukuran piksel. Rumus yang digunakan adalah sebagai berikut:
d([i1,j1],[i2,j2]) = {(i1-i2)2 + (j1-j2)2}1/2
Batas titik pengukuran panjang pada wortel dapat dilihat pada Gambar 4.
Gambar 4. Batas titik pengukuran panjang
b. Pengukuran Diameter Objek
Data diameter hasil pengolahan citra diperoleh dengan mengambil nilai y-maksimum pada wortel yang diambil dari arah pangkal tangkai wortel, bagian
Panjang Wortel
15 tengah wortel, dan bagian ujung wortel. Batas titik pengukuran diameter dapat dilihat pada gambar 5.
Gambar 5. Batas titik pengukuran diameter untuk pengolahan citra
c. Pengukuran Feret’s Diameter
Feret’s diameter merupakan perbandingan antara panjang dan diameter objek. Rumus dari feret’s diameter ini adalah:
FD = P / D
Dimana: FD: Feret’s Diameter P : Panjang objek
D : Rata-rata diameter objek d. Pengukuran Area
Pengukuran area dilakukan dengan cara menghitung jumlah piksel-piksel penyusun dari suatu objek yang diamati. Perhitungan luas dilakukan setelah dilakukan proses thresholding. Setelah operasi thresholding objek akan memiliki warna putih, sedangkan latar belakang akan memiliki warna hitam. Pengukuran luas dilakukan untuk mendapatkan warna rata-rata dan besarnya nilai kebundaran.
Diameter Pangkal
25 piksel 25 piksel
Diameter Tengah
16
Gambar 6. Batas pengukuran area objek
e. Pengukuran Komponen Warna
Pengukuran warna pada wortel dilakukan untuk membedakan kelas mutu pada wortel. Model warna yang digunakan adalah model warna RGB. Untuk memperoleh nilai RGB terlebih dahulu dilakukan proses analisis warna yang dilanjutkan dengan perintah pengukuran komponen warna. Pengukuran komponen warna RGB dilakukan pada seluruh luasan wortel yang diperoleh melalui proses pengukuran warna RGB.
f. Pengukuran Kebundaran (Roundness)
Citra wortel yang diperoleh kemudian dianalisis bentuknya dengan faktor bentuk tak berdimensi. Faktor bentuk yang digunakan adalah kebundaran (roundness) dengan menggunakan persamaan sebagai berikut:
R = 4A/(πL2)
Di mana: R = kebundaran (tidak berdimensi) A = area citra (piksel2)
L = panjang (piksel)
4.Pengolahan Data
Analisis statistik dilakukan untuk mengetahui hubungan parameter mutu hasil pengolahan citra melalui analisis korelasi regresi linier yang dinyatakan dengan persamaan regresi dan koefisien determinasi. Persamaan regresi digunakan untuk mengetahui batas-batas pemutuan wortel dengan menggunakan pengolahan citra.
17 Gambar 7. Diagram alir proses pemutuan wortel
Sampel wortel
Pengambilan citra
Pengolahan citra Transformasi ekstensi dari tiff. ke .jpeg
Pengukuran langsung
Thresholding, perbaikan citra biner, pengukuran panjang, diameter, area, roundness, dan perhitungan komponen warna RGB.
Analisis korelasi linier untuk parameter mutu wortel
Pengukuran panjang, pengukuran diameter, perhitungn feret’s
diameter dan pengukuran berat
18
IV. HASIL DAN PEMBAHASAN
A. PARAMETER MUTU WORTEL HASIL PENGUKURAN LANGSUNG
1. Parameter Mutu Panjang Wortel
Pengukuran panjang wortel pada proses ini dilakukan dengan menggunakan penggaris biasa, hal ini dilakukan karena keterbatasan alat. Pada proses ini seharusnya alat yang digunakan adalah jangka sorong, supaya nilai yang di dapat lebih presisi.
Dari hasil perhitungan statistik dapat diketahui nilai maksimum, minimum dan panjang rata-rata untuk masing-masing mutu wortel. Wortel mutu A memiliki nilai maksimum dan minimum masing-masing sebesar 29.4 cm dan 19.6 cm dengan panjang rata-rata sebesar 23.67 cm. Wortel mutu B memiliki nilai maksimum dan minimum masing-masing sebesar 24.4 cm dan 15.4 cm dengan panjang rata-rata sebesar 18.86 cm. Sedangkan untuk wortel mutu C memiliki nilai maksimum dan minimum masing-masing sebesar 23.2 cm dan 8.7 cm dengan panjang rata-rata sebesar 16.12 cm.
[image:40.612.150.487.437.633.2]
19 Tabel 3.Data perhitungan statistik untuk parameter panjang wortel
Panjang Mutu
A B C
Maksimum (cm) 29.4 24.4 23.2 Minimum (cm) 19.6 15.4 8.7
Rata-rata (cm) 23.67 18.86 16.12 Standar Deviasi 1.9 1.59 2.91
Dari grafik sebaran panjang wortel dan Tabel perhitungan statistik untuk panjang wortel dapat diketahui bahwa hasil pengelompokkan masih mengalami kekeliruan. Hal ini disebabkan karena faktor kelelahan dan kejenuhan mata manusia pada saat melakukan pemutuan wortel secara manual. Selain itu juga, hal ini disebabkan karena adanya faktor kenakalan dari para pekerja, karena para pekerja jarang memperhatikan standar pemutuan.
2. Parameter Mutu Diameter Wortel
Pengukuran diameter wortel dilakuakn dengan menggunakan jangka sorong. Pengukuran dilakukan pada tiga titik yang berbeda yaitu pangkal, tengah, dan ujung, kemudian hasil dari pengukuran tersebut dirata-ratakan.
Dari hasil perhitungan statistik dapat diketahui nilai maksimum, minimum dan diameter rata-rata untuk masing-masing mutu wortel. Wortel mutu A memiliki nilai maksimum dan minimum masing-masing sebesar 3.78 cm dan 2.26 cm dengan diameter rata-rata sebesar 2.84 cm. Wortel mutu B memiliki nilai maksimum dan minimum masing-masing sebesar 3.37 cm dan 1.65 cm dengan diameter rata-rata sebesar 2.52 cm. Sedangkan untuk wortel mutu C memiliki nilai maksimum dan minimum masing-masing sebesar 3.39 cm dan 1.46 cm dengan panjang rata-rata sebesar 2.36 cm.
20 Gambar 9. Sebaran nilai diameter untuk masing-masing mutu wortel
Tabel 4.Data perhitungan statistik untuk parameter diameter wortel
Diameter Mutu
A B C
Maksimum (cm) 3.78 3.37 3.39 Minimum (cm) 2.26 1.65 1.46 Rata-rata (cm) 2.84 2.52 2.36 Standar Deviasi 0.32 0.32 0.43
Pada penentuan mutu wortel berdasarkan diameter ini sama halnya seperti pemutuan berdasarkan panjang, masih mengalamai kekeliruan dalam pengelompokkan wortel. Hal ini disebabkan oleh faktor yang sama yaitu faktor kejenuhan dan kelelahan mata manusia pada saat melakukan pemutuan secara manual.
3. Parameter Mutu Feret’s Diameter Wortel
21 maksimum dan minimum masing-masing sebesar 11.7 cm dan 5.98 cm dengan diameter rata-rata sebesar 8.44 cm. Wortel mutu B memiliki nilai maksimum dan minimum masing-masing sebesar 11.54 cm dan 5.2 cm dengan diameter rata-rata sebesar 7.61 cm. Sedangkan untuk wortel mutu C memiliki nilai maksimum dan minimum masing-masing sebesar 12.23 cm dan 3.87 cm dengan panjang rata-rata sebesar 6.96 cm. Hasil perhitungan statistik pada parameter feret’s diameter untuk masing-masing mutu wortel disajikan pada Tabel 5. Sedangkan grafik sebaran feret’s diameter untuk masing-nasing mutu dapat dilihat pada Gambar 10.
Gambar 10. Sebaran nilai feret’s diameter untuk masing-masing mutu wortel
Tabel 5. Data perhitungan statistik untuk parameter feret’s diameter wortel Feret's Diameter Mutu
A B C
Maksimum (cm) 11,7 11,54 12,23 Minimum (cm) 5,98 5,2 3,87 Rata-rata (cm) 8,44 7,61 6,96 Standar Deviasi 1,22 1,19 1,47
22 Berdasarkan grafik sebaran nilai feret’s diameter untuk masing-masing mutu wortel, terlihat bahwa besarnya feret’s diameter untuk tiap mutu wortel tidak menunjukan perbedaan yang signifikan, hal ini dipengaruhi oleh besarnya nilai panjang dan diameter hasil pengukuran langsung. Dari hasil pengukuran langsung untuk parameter panjang dan diameter terlihat adanya kekeliruan dalam pengelompokkan mutu wortel.
4. Parameter Mutu Berat Wortel
Pada pengukuran berat, wortel ditimbang dengan menggunakan timbangan digital. Hasil perhitungan statistik pada parameter berat untuk masing-masing mutu wortel disajikan pada Tabel 6. Sedangkan grafik sebaran berat untuk masing-nasing mutu dapat dilihat pada Gambar 11.
Gambar 11. Sebaran nilai berat untuk masing-masing mutu wortel
Dari hasil perhitungan statistik dapat diketahui nilai maksimum, minimum dan berat rata-rata untuk masing-masing mutu wortel. Wortel mutu A memiliki nilai maksimum dan minimum masing-masing sebesar 212.38 gram dan 78.75 gram dengan berat rata-rata sebesar 139.12 gram. Wortel mutu B memiliki nilai maksimum dan minimum masing-masing sebesar 156.87 gram dan 38.01 gram dengan berat rata-rata sebesar 87.81 gram. Sedangkan untuk wortel mutu C memiliki nilai maksimum
23 dan minimum masing-masing sebesar 165.62 gram dan 19.89 gram dengan berat rata-rata sebesar 71.65 gram.
Tabel 6. Data perhitungan statistik untuk parameter berat wortel
Berat Mutu
A B C
Maksimum (gram) 212.38 156.87 165.62 Minimum (gram) 78.75 38.01 19.89 Rata-rata (gram) 139.12 87.81 71.65 Standar Deviasi 30.24 23.61 31.48
Dari grafik sebaran berat dapat dilihat bahwa dalam pengelompokkan wortel berdasarkan berat masih terdapat kekeliruan, sama halnya seperti pengelompokkan wortel berdasarkan panjang dan diameter. Hal ini disebabkan oleh faktor yang sama yaitu kejenuhan dan kelelahan para petani. Selain itu, pada proses pengelompokan wortel berdasarkan berat, para petani tidak begitu mempertimbangkan parameter berat ini. Para petani hanya fokus pada parameter panjang dan diameter saja.
B. PEMROGRAMAN VISUAL BASIC 6.0 UNTUK EVALUASI PEMUTUAN WORTEL
Visual basic merupakan salah satu dari berbagai bahasa pemrograman yang dimengerti oleh komputer. Visual basic merupakan bahasa pemrograman yang lebih sederhana dibanding dengan bahasa pemrograman yang lain, karena visual basic membebaskan pemrogram dari penulisan perintah atau instruksi yang kompleks sehingga langkah pemrograman menjadi jauh lebih sederhana.
Didalam visual basic terdapat perintah-perintah yang dapat dimengerti oleh komputer untuk melakukan suatu perintah. Perintah tersebut akan dilakukan jika terdapat respon dari pengguna atau pemakai program.
24 dan frame. Program aplikasi ini merupakan bagian dari toolbox. Toolbox itu sendiri merupakan kotak perangkat yang berisi kumpulan tombol objek atau kontrol untuk mengatur desain dari aplikasi yang akan dibuat.
[image:46.612.127.536.342.652.2]Masing-masing toolbox yang digunakan pada pemrograman ini memiliki fungsi yang berbeda. picture box berfungsi untuk menampilkan file gambar yang dipanggil dari direktori, text box berfungsi untuk meneriman input atau output dari program aplikasi yang dibuat. Label berfungsi untuk menampilkan teks pada aplikasi yang dibuat untuk memperjelas objek, command button berfungsi untuk mengeksekusi perintah-perintah yang dibuat pada pemrograman, dan frame digunakan untuk menempatkan beberapa kontrol yang dianggap berada dalam satu kelompok perintah. Adapun program yang sudah dieksekusi dapat dilihat pada Gambar 12.
25 Program aplikasi yang dibangun ini memiliki kemampuan untuk melakukan proses thresholding, reduksi noise, perhitungan warna, perhitungan diameter, perhitungan panjang, perhitungan luas/area, perhitungan roundness, dan feret’s diameter.
Adapun urutan untuk melakukan proses pemutuan wortel ini diawali dengan memanggil citra yang akan diolah dengan cara mengklik tombol open, citra yang sudah dipanggil akan ditampilkan pada picture box 1. setelah citra muncul, proses selanjutnya yaitu proses thresholding, proses ini bertujuan untuk memisahkan objek dengan latar belakang. Pada program ini objek diset dengan warna putih sedangkan latar belakang diset warna hitam. Hasil proses thresholding ditampilkan pada gambar 13 (b).
Proses selanjutnya yaitu reduksi noise, proses ini bertujuan untuk menghapus atau membersihkan gangguan yang mungkin terjadi pada saat proses capture (pengambilan gambar) atau juga bisa disebabkan oleh kotoran-kotoran yang terjadi pada citra, sehingga tampilan citra biner yang telah dibentuk menjadi lebih sempurna. Pada operasi ini ada dua proses yang dilakukan yaitu dilation dan erotion. Proses dilation berfungsi untuk penambahan piksel pada objek (menutup celah pada objek), sedangkan proses erotion merupakan kebalikannnya dari dilation, yaitu untuk menghapus atau mengurangi piksel-piksel objek. Pada kasus ini erotion digunakan untuk menghapus piksel terluar dari objek. Hasil proses reduksi noise ini ditampilkan pada Gambar 13 (c).
26
(a)
(b)
[image:48.612.174.458.98.500.2](c)
27 Gambar 14. Tampilan program setelah semua proses dilakukan
C. PARAMETER MUTU WORTEL HASIL PENGOLAHAN CITRA
[image:49.612.128.526.73.382.2]1. Parameter Mutu Panjang Wortel
28 piksel dengan panjang rata-rata sebesar 215 piksel. Adapun hasil perhitungan pada parameter panjang untuk masing-masing mutu wortel disajikan pada Tabel 7.
[image:50.612.150.488.136.335.2]Gambar 15. Sebaran nilai panjang hasil pengolahan citra
Tabel 7. Hasil perhitungan statistik pada parameter panjang wortel hasil pengolahan citra
Panjang Hasil
Pengolahan Citra
Mutu
A B C
Maksimum (piksel) 352 294 296 Minimum (piksel) 201 207 118 Rata-rata (piksel) 310 250 215 Standar Deviasi (piksel) 24 20 37
2. Parameter Mutu Area Wortel
29 5383 piksel dengan area rata-rata sebesar 7702 piksel, sedangkan untuk area wortel mutu C memiliki nilai maksimum dan minimum masing-masing sebesar 11424 piksel dan 2532 piksel dengan area rata-rata sebesar 6420 piksel. Data hasil perhitungan statistik untuk area pada masing-masing mutu wortel dapat dilihat pada Tabel 8. Sedangkan grfaik sebaran nilai area untuk masing-masing mutu dapat dilihat pada Gambar 16.
Gambar 16. Sebaran nilai area hasil pengolahan citra
Tabel 8. Hasil perhitungan statistik pada Area wortel hasil pengolahan citra
Area Hasil Pengolahan
Citra
Mutu
A B C
Maksimum (piksel) 14616 10284 11424 Minimum (piksel) 8062 5383 2532 Rata-rata (piksel) 10635 7702 6420 Standar Deviasi (piksel) 1346 1220 1846
[image:51.612.170.472.490.612.2]30 jelas atau kurang signifikan. Hal ini disebabkan oleh kekeliruan para petani pada saat melakukan pemutuan secara manual. Para petani tidak hanya mempertimbangkan panjang wortel saja melainkan diameter juga. Wortel dengan panjang yang sama namun diameternya berbeda akan menghasilkan luasan area yang berbeda pula, begitu juga sebaliknya.
3. Parameter Mutu Diameter Wortel
Pada pengukuran diameter dengan metode pengolahan citra, sama halnya dengan pengukuran langsung yaitu di ukur pada tiga titik yang berbeda, yaitu pangkal, tengah, dan ujung. Hasil pengukuran dari ketiga titik tersebut kemudian dirata-ratakan, dan hasilnya merupakan nilai diameter sebenarnya. Data perhitungan statistik hasil pengolahan citra pada parameter diameter untuk masing-masing mutu wortel disajikan pada Tabel 9. Sedangkan grafik sebaran nilai diameter untuk masing-masing mutu wortel dapat dilihat pada Gambar 17.
31
Gambar 17. Sebaran nilai diameter hasil pengolahan citra
Tabel 9. Hasil perhitungan statistik pada diameter wortel hasil pengolahan citra
Diameter Hasil
Pengolahan Citra
Mutu
A B C
Maksimum (piksel) 104 102 100 Minimum (piksel) 58 46 35 Rata-rata (piksel) 75 69 65 Standar Deviasi (piksel) 9 10 13
32
4. Parameter Mutu Berdasarkan Feret’s Diameter
Feret’s diameter merupakan perbandingan antara panjang dengan diameter. Nilai diameter yang digunakan pada perhitungan ini adalah diameter rata-rata. Berdasrkan hasil perhitungan statistik untuk feret’s diameter wortel, didapat nilai maksimum dan minimum feret’s diameter wortel untuk masing-masing mutu wortel. Feret’s diameter wortel mutu A memiliki nilai maksimum dan minimum masing-masing sebesar 5.7049 dan 3.1340 dengan rata-rata sebesar 4.1959. Feret’s diameter wortel mutu B memiliki nilai maksimum dan minimum masing-masing sebesar 5.6522 dan 2.5392 dengan rata-rata sebesar 3.6798, sedangkan untuk feret’s diameter wortel mutu C memiliki nilai maksimum dan minimum masing-masing sebesar 5.8231 dan 0.0444 dengan rata-rata sebesar 3.3955. Data perhitungan statistik untuk feret’s diameter ini disajikan pada Tabel 10. Sedangkan untuk grafik sebaran nilai feret’diameter dapat dilihat pada Gambar 18.
33 Tabel 10. Hasil perhitungan statistik feret’s diameter hasil pengolahan citra
Feret’s Diameter Hasil Pengolahan Citra
Mutu
A B C
Maksimum 5.7049 5.6522 5.8231 Minimum 3.1340 2.5392 0.0444 Rata-rata 4.1959 3.6798 3.3955 Standar Deviasi 0.5955 0.5745 0.7965
Dari grafik diatas terlihat bahwa, besarnya nilai feret’s diameter dari masing-masing mutu tidak menunjukan perbedaan yang signifikan. Hal ini menunjukkan bahwa feret’s diameter kurang tepat bila dijadikan sebgai parameter dalam pemutuan wortel.
5. Parameter Mutu Berdasarkan Roundness (faktor bentuk)
34 Gambar 19. Sebaran nilai roundness hasil pengolahan citra
Tabel 11. Hasil perhitungan statistik pada roundness wortel hasil pengolahan citra
Roundness Mutu
A B C
Maksimum (piksel) 0.1744 0.2181 0.2702 Minimum (piksel) 0.1044 0.1014 0.0989 Rata-rata (piksel) 0.1410 0.1573 0.1720 Standar Deviasi (piksel) 0.0182 0.0228 0.0326
Berdasarkan hasil pengolahan citra pada wortel untuk perhitungan besarnya nilai roundness, diperoleh nilai maksimum dan minimum roundness untuk mutu A yaitu 0.1744 dan 0.1044 dengan rata-rata sebesar 0.1410. untuk wortel mutu B diperoleh nilai maksimum dan minimum sebesar 0.2181 dan 0.1014 dengan rata-rata sebesar 0.1573, sedangkan untuk mutu C diperoleh nilai maksimum dan minimum sebesar 0.2702 dan 0.0989 dengan rata-rata sebesar 0.1720.
6. Parameter Mutu Berdasarkan Indeks Warna RGB Wortel
Dari hasil uji statistik untuk komponen warna RGB hasil pengolahan citra pada wortel, dapat disimpulkan bahwa komponen warna RGB pada wortel tidak
35 dapat dijadikan sebagai parameter penentuan mutu wortel. Hal ini disebabkan karena komponen warna RGB pada masing-masing mutu wortel tidak menunjukkan perbedaan yang signifikan. Pada pengolahan warna ini, Komponen warna RGB pada wortel di normalisasi menjadi indeks warna merah (r), indeks warna hijau (g), dan indeks warna biru (b). Data hasil perhitungan statistik untuk indeks warna rgb pada wortel dapat dilihat pada Tabel 12, Tabel 13, dan Tabel 14. Sedangkan Grafik sebaran nilai indeks warna rgb pada wortel dapat dilihat pada Gambar 20, Gambar 21, dan Gambar 22.
Gambar 20. Sebaran komponen warna merah pada wortel
Tabel 12. Hasil perhitungan statistik untuk komponen warna merah pada wortel
Komponen warna
merah
Mutu
A B C
Maksimum (piksel) 0.491 0.492 0.497 Minimum (piksel) 0.467 0.465 0.473 Rata-rata (piksel) 0.510 0.514 0.521 Standar Deviasi (piksel) 0.009 0.010 0.010
36
Gambar 21. Sebaran komponen warna hijau pada worte
Tabel 13. Hasil perhitungan statistik untuk komponen warna hijau pada wortel
Komponen warna hijau Mutu
A B C
Maksimum (piksel) 0.269 0.269 0.268 Minimum (piksel) 0.252 0.250 0.252 Rata-rata (piksel) 0.294 0.287 0.294 Standar Deviasi (piksel) 0.007 0.008 0.008
Gambar 22. Sebaran komponen warna biru pada wortel A B C
37 Tabel 14. Hasil perhitungan statistik untuk komponen warna biru pada wortel
Komponen wrana biru Mutu
A B C
Maksimum (piksel) 0.240 0.239 0.235 Minimum (piksel) 0.227 0.229 0.223 Rata-rata (piksel) 0.251 0.248 0.247 Standar Deviasi (piksel) 0.005 0.005 0.005
D. KORELASI PARAMETER MUTU HASIL PENGUKURAN LANGSUNG
DAN HASIL PENGOLAHAN CITRA
1. Korelasi parameter panjang aktual dengan panjang hasil pengolahan citra
[image:59.612.149.485.488.685.2]Berdasarkan grafik hubungan parameter panjang aktual dengan panjang hasil pengolahan citra, diperoleh koefisien determinasi sebesar 0.961 dengan persamaan regresi y = 0.0768x - 0.682. jika dilihat dari besarnya nilai koefisien determinasi yang diperoleh, maka parameter panjang aktual dengan panjang hasil pengolahan citra memilki hubungan yang sangat erat. Hal ini dapat disimpulkan bahwa nilai parameter mutu wortel dapat diduga dari panjang wortel. Adapun grafik hubungan antara panjang aktual dengan panjang hasil pengolahan citra dapat dilihat pada Gambar 23.
38
[image:60.612.153.489.166.361.2]2. Korelasi diameter aktual dengan diameter hasil pengolahan citra
Grafik hubungan antara diameter aktual dengan diameter hasil pengolahan citra dapat dilihat pada Gambar 24.
Gambar 24. Hubungan antara diameter aktual dengan diameter hasil pengolahan citra
Berdasarkan grafik hubungan antara diameter aktual dengan diameter hasil pengolahan citra, diperoleh koefisien determinasi sebesar 0.777 dengan persamaan regresi y = 0.031x + 0.391. Dengan melihat koefisien determinasi yang didapat dari grafik, maka dapat disimpulkan bahwa diameter aktual dan diameter hasil pengolahan citra memiliki hubungan yang cukup kuat, sehingga parameter ini dapat dijadikan sebagai parameter pemutuan pada wortel dengan metode pengolahan citra.
3.Korelasi parameter berat dengan area hasil pengolahan citra
Grafik hubungan antara berat wortel dengan area hasil pngolahan citra dapat dilihat pada Gambar 25.
Berdasarkan grafik hubungan antara berat dengan area hasil pengolahan citra
diperoleh nilai koefisien determinasi sebesar 0.920 dengan persamaan regresi y = 0.016x + 40.41. Dengan melihat koefisien determinasi yang didapat dari grafik,
39 hubungan yang cukup kuat, sehingga besarnya area wortel dapat dijadikan sebagai parameter pemutuan pada wortel dengan menggunakan metode pengolahan citra.
Gambar 25. Hubungan antara berat dengan area hasil pengolahan citra
[image:61.612.152.490.146.342.2]4.Korelasi feret’s diameter aktual dengan feret’s diameter hasil pengolahan citra
Grafik hubungan antara feret’s diameter aktual dengan feret’s diameter hasil pengolahan citra dapat dilihat pada gambar 26.
[image:61.612.153.489.463.661.2]40 Berdasarkan grafik hubungan antara feret’s diameter aktual dengan feret’s diameter hasil pengolahan citra, diperoleh koefisien determinasi sebesar 0.799 dengan persamaan regresi y = 1.808x + 0.858. Bila dilihat dari koefisien determinasi yang diperoleh dari hubungan antara feret’s diameter aktual dengan feret’s diameter hasil pengolahan citra, maka feret’s diameter bisa dijadikan sebagai parameter penentu pada pemutuan wortel. Tapi hal ini berbeda dengan hasil pengukuran secara manual. Pada pengukuran secara manual, feret’s diameter tidak dapat dijadikan sebagai penentu dalam penentuan mutu wortel. Hal ini disebabkan karena besarnya feret’s diameter dari masing-masing mutu wortel tidak menunjukkan perbedaan yang signifikan.
E. VALIDASI PARAMETER PEMUTUAN WORTEL
Untuk proses validasi, parameter yang digunakan untuk pemutuan wortel yaitu panjang, diameter, dan area. Batas-batas nilai yang digunakan untuk pemutuan wortel disajikan pada Tabel 15 dan Tabel 16. Batas-batas nilai untuk masing-masing parameter mutu diperoleh dari persamaan regresi yang dihasilkan dari korelasi antara hasil pengukuran langsung dengan hasil pengolahan citra.
Tabel 15. Batas-batas nilai untuk pemutuan wortel secara manual
Parameter
mutu
Kelas Mutu
A B C
Panjang (cm) 20 ≤ P ≤ 25 15< P < 20 P ≤ 15 atau P > 25 Diameter (cm) 3 ≤ D ≤ 4 2 < D < 3 D ≤ 2 atau D > 4 Area (gram) 100 ≤ A ≤ 200 50 < A < 80 A ≤ 50 atau A > 200 Tabel 16. Batas-batas nilai untuk pemutuan wortel dengan pengolahan citra
Parameter
mutu
Kelas Mutu
A B C
Panjang (piksel) 265 ≤ P ≤ 329 201< P < 265 P ≤ 201 atau P > 329 Diameter (piksel) 84 ≤ D ≤ 116 52 < D < 84 D ≤ 52 atau D > 116 Area (piksel) 7526 ≤ A ≤ 15026 5651 < A < 7526 A ≤ 5651 atau
41
1. Validasi pemutuan wortel berdasarkan panjang
[image:63.612.130.485.192.346.2]Pendugaan mutu wortel berdasarkan panjang secara manual dapat dilihat pada Tabel 17, sedangkan untuk validasi berdasarkan pengolahan citra dapat dilihat pada Tabel 18.
Tabel 17. Pendugaan mutu wortel berdasarkan panjang secara manual
Standar Pengukuran manual (langsung) Jumlah Mutu A Mutu B Mutu C
Mutu A 83 (80.6%) 17 (16.5%) 3 (2.9%) 103
