I. PENDAHULUAN
A. Latar Belakang
Produksi buah-buahan di Indonesia masih rendah, sedangkan kebutuhan buah setiap tahun terus meningkat, disamping karena jumlah penduduk yang terus meningkat juga karena meningkatnya kesadaran masyarakat akan arti gizi dan peranan gizi bagi kesehatan (Anggarwati, 1986).
Meskipun buah naga terbilang baru dikenal di Indonesia, namun namanya belakangan ini menjadi buah bibir di masyarakat luas. Penampilan buah ini sangat unik dan menarik dengan ukuran buah sebesar mangga gedong gincu, berwarna merah menyala. Prospek buah naga di pasar domestik cukup baik karena penggemarnya berangsur-angsur meningkat. Hal tersebut dapat dilihat dengan semakin membanjirnya buah naga di supermarket atau pasar swalayan di beberapa kota di Indonesia. Buah naga ini cukup kaya dengan berbagai vitamin dan mineral yang membantu meningkatkan daya tahan dan metabolisme tubuh.
Selama ini penentuan sortasi dan mutu buah naga biasanya dilakukan secara visual dengan memperhatikan penampilan buah, kemulusan buah, bebas dari kerusakan dan cacat serta ukuran buah yang dilakukan secara manual. Penentuan mutu secara manual ini masih memiliki banyak kekurangan diantaranya waktu yang dibutuhkan relatif lama serta menghasilkan produk yang beragam karena keterbatasan visual manusia, tingkat kelelahan, dan perbedaan persepsi tentang mutu buah.
Berbagai metode destruktif telah digunakan untuk menentukan mutu buah, namun metode ini memiliki banyak kelemahan, diantaranya buah yang telah di uji tidak dapat dikemas untuk dikonsumsi dan mutu yang diperoleh tidak dapat menentukan mutu secara keseluruhan karena teknik yang digunakan adalah pengambilan contoh dari populasi yang ada.
2 dikembangkan untuk mendapatkan informasi dari citra dengan cara memodifkasi bagian dari citra yang diperlukan sehingga menghasilkan citra lain yang lebih informatif (Jain et al., 1995). Dengan digunakannya teknik pengolahan citra atau image processing diharapkan dapat membantu proses pemutuan sehingga
diperoleh hasil yang konsisten dan sesuai dengan keinginan pangsa pasar serta dapat diterima oleh konsumen.
B. Tujuan
Tujuan dilaksanakannya penelitian ini adalah :
1. Mempelajari parameter mutu buah naga (Hylocereus undatus) menggunakan metode image processing.
2. Mencari korelasi antara data hasil image processing dengan data pengukuran langsung dan menemukan parameter mutu dari hasil pengolahan citra yang dapat digunakan untuk menentukan kelas mutu buah naga (Hylocereus undatus).
II. TINJAUAN PUSTAKA
A. Buah Naga
Buah naga adalah salah satu buah dari beberapa jenis kaktus dari marga Hylocereus dan Selenicereus. Buah ini berasal dari Meksiko, Amerika Tengah dan
Amerika Selatan, namun sekarang juga dibudidayakan di negara-negara Asia seperti Taiwan, Vietnam, Filipina dan Malaysia. Buah ini juga dapat ditemui di Okinawa, Israel, Australia Utara dan Tiongkok Selatan. Berdasarkan beberapa sumber, buah naga belum banyak dibudidayakan di Indonesia, sementara ini dari data yang diperoleh, daerah penghasil buah naga di Indonesia adalah : Mojokerto, Jember, Malang, Pasuruan, Bayuwangi, dan Kulon Progo (Anonim, 2003).
Buah naga termasuk tanaman tropis. Tanaman ini tumbuh baik jika ditanam di dataran rendah pada ketinggian 20 – 500 m diatas permukaan laut dengan kondisi tanah yang gembur, porous, banyak mengandung bahan organik dan banyak mengandung unsur hara, pH tanah 5 – 7, dengan curah hujan 600 – 1300 mm per tahun. Hujan yang terlalu deras dan berkepanjangan menyebabkan kerusakan yang ditandai dengan proses pembusukan yang lebih cepat. Temperatur maksimum tanaman ini berkisar 38 – 40 oC dengan penyinaran cahaya matahari penuh untuk mempercepat proses pembungaan. Fisik buah naga terlihat pada Gambar 1.
4 Buah naga disebut juga kaktus manis atau kaktus madu, termasuk dalam keluarga tanaman kaktus dengan karakteristik memiliki duri pada setiap ruas batangnya. Meskipun tergolong dalam tanaman kaktus, buah naga bukan buah kaktus biasa yang kita kenal sebagai prickly pear atau Opuntia ficus-indica. Tanaman penghasil buah naga adalah kaktus pemanjat Hylocereus undatus. Disebut pemanjat, karena ketika ditemukan pertama kali di tempat tumbuhnya yang asli di lingkungan hutan belantara yang teduh, batangnya memang memanjat batang tanaman lain. Kalau dicabut dari tanah, pokok buah ini masih hidup terus sebagai epifit, menyerap air dan mineral melalui akar udara pada batangnya. Keunikan tanaman buah naga adalah batangnya berbentuk segitiga, durinya pendek sekali dan tidak mencolok dan bunganya mekar pada malam hari.
Setelah berumur 1.5 – 2 tahun, tanaman ini mulai berbunga dan berbuah. Pemanenan pada tanaman buah naga dilakukan pada buah yang memiliki ciri-ciri warna kulit merah mengkilap, dan jumbai atau sisik berubah warna dari hijau menjadi kemerahan. Pemanenan dilakukan dengan menggunakan gunting, buah dapat dipanen saat buah mencapai umur 50 hari terhitung sejak bunga mekar. Musim panen terbesar buah naga terjadi pada bulan September hingga Maret dan umur produktif tanaman buah naga ini berkisar antara 15 – 20 tahun (Anonim, 2008).
Khasiat buah naga masih belum diketahui oleh masyarakat luas. Selain penelitian yang masih sangat terbatas, buah ini masih sangat langka. Bahkan, masih banyak di antara masyarakat yang sama sekali tidak mengenal buah ini (Anonim, 2003).
Tabel 1. Komposisi gizi per 100 gram daging buah naga
Kandungan Gizi Jumlah
Sumber : Taiwan Food Industry Develop & Research Authorities (2005) dalam Anonim, 2008.
Berdasarkan warna buah dan daging buahnya, buah naga dibedakan menjadi empat jenis. Ke empat jenis tersebut adalah (Anonim, 2001):
1. Hylocereus undatus, yang buahnya berwarna merah dengan daging buah
putih
2. Hylocereus polyrhizus, yang buahnya berwarna merah muda dengan
daging buah merah
3. Selenicereus megalanthus dengan kulit buah kuning dan daging buah putih
4. Hylocereus costaricensis buah naga daging super merah.
6 jumlah yang cukup baik untuk meningkatkan daya tahan tubuh, dan kandungan air yang cukup tinggi, yaitu mencapai 83 gram per 100 gram daging buah. Karena itu, buah naga dapat juga dijadikan pencuci mulut yang lezat (Anonim, 2001).
B. Image Processing
Image processing atau pengolahan citra adalah proses untuk mengamati
dan menganalisa suatu objek tanpa berhubungan langsung dengan objek yang diamati. Proses dan analisanya melibatkan persepsi visual dengan data masukan maupun data keluaran yang diperoleh berupa citra dari objek yang diamati. Teknik-teknik image processing meliputi penajaman citra, penonjolan fitur tertentu dari suatu citra, kompresi citra dan koreksi citra yang tidak fokus atau kabur (Ahmad, 2005).
Terdapat dua bagian pada proses pembentukan citra, yaitu geometri citra yang menentukan suatu titik dalam pemandangan diproyeksikan pada bidang citra dan fisik cahaya yang menentukan kecerahan suatu titik pada bidang citra sebagai fungsi pencahayaan pemandangan serta sifat-sifat permukaan.
kotak-kotak persegi empat yang teratur sehingga jarak horizontal dan vertikal antar piksel sama pada seluruh bagian citra. Dalam pengambilan citra hanya citra digital yang dapat diproses oleh komputer digital, data citra yang dimasukkan berupa nilai-nilai integer yang menunjukkan nilai intensitas cahaya atau tingkat keabuan setiap piksel (Basuki et al., 2005).
Citra f (x,y) disimpan dalam memori komputer atau penyimpan bingkai citra dalam bentuk array n x m dari contoh diskrit dengan jarak sama, sebagai berikut :
...(1)
Setiap elemen dari array di atas disebut sebagai piksel yang merupakan suatu daerah bujur sangkar kecil dengan ukuran tertentu dan menunjukkan harga intensitas keabuan piksel pada lokasi yang bersangkutan. Ukuran piksel ini sering disebut resolusi piksel.
Citra masukan diperoleh melalui suatu kamera yang didalamnya terdapat suatu alat digitasi yang mengubah citra masukan berbentuk analog menjadi citra digital (Yang, 1992). Alat digitasi ini dapat berupa penjelajahan solid-state yang menggunakan matrik sel yang sensitif terhadap cahaya yang masuk, dimana citra yang direkam maupun yang digunakan mempunyai kedudukan atau posisi yang tetap.
Alat masukan citra yang digunakan adalah kamera CCD (Charge Coupled Device), dimana sensor citra dari alat ini menghasilkan keluaran berupa citra
analog sehingga dibutuhkan proses digitasi dengan menggunakan alat digitasi seperti yang telah disebutkan di atas.
8 pengolah citra. Komponen utama dari perangkat keras (hardware) citra digital adalah komputer dan alat peraga komputer baik yang multiguna atau jenis khusus yang dirancang untuk image processing digital. Sistem perangkat lunak (software) image processing dibagi menjadi tujuh modul yang merupakan pengelompokan
rutin dari fungsi-fungsi sejenis, yaitu modul proses berkas masukan dan keluaran, modul proses penyaringan dan koreksi radio metris, proses registrasi citra dan koreksi geometris, modul klasifikasi citra, modul perhitungan statistik, modul operasi matematik, dan modul pembuatan laporan dan peragaan secara grafis. Elemen-elemen dari sistem image processing disajikan pada Gambar 2.
Gambar 2. Elemen-elemen dari sistem image processing (Arymurthy dan Suryana, 1992)
C. Pengolahan Warna
Warna adalah persepsi yang dirasakan oleh sistem visual manusia terhadap panjang gelombang cahaya yang dipantulkan oleh objek (Munir, 2004). Faizal (2006) menjelaskan bahwa persepsi warna dalam pengolahan citra tergantung pada tiga faktor yaitu spectral reflectance dari permukaan (menentukan bagaimana suatu permukaan memantulkan warna), spectral content dari penyinaran (kandungan warna dari cahaya yang menyinari permukaan), dan spectral response (sensor dalam peralatan sistem visual).
Citra Citra Masukan Digital
Sensor Pengubah Analog Komputer
Digital
Bingkai Penyimpanan Monitor
Model warna telah banyak dikembangkan oleh para ahli, seperti model warna RGB (Red, Green, Blue), model warna CMY (K) (Cyan, Magenta, Yellow), model warna YcbCr (Luminasi (Y) dan dua komponen kromatisi Cb dan Cr), dan model warna HSI (Hue, Saturation, Intensity). Model warna RGB merupakan model warna pokok aditif, yaitu warna dibentuk dengan mengkombinasikan energi cahaya dari ketiga warna pokok dalam berbagai perbandingan (Ahmad, 2005). Berbagai model warna yang penting dan deskripsi serta pemakaiannya dapat dilihat pada Tabel 2.
Tabel 2. Model warna dan deskripsinya (Ahmad, 2005)
Model Warna Deskripsi
RGB Merah, Hijau, dan Biru (warna pokok).
Sebuah model warna pokok aditif yang digunakan pada sistem display.
CMY(K) Cyan, Magenta, Yellow (dan Hitam).
Sebuah model warna substraktif yang digunakan pada mesin printer.
YcbCr Luminase (Y) dan dua komponen kromasiti (Cb dan Cr). Digunakan dalam siaran geombang televisi.
HSI Hue, Saturasi, dan Intensity.
Berdasarkan pada persepsi manusia terhadap warna.
Model warna RGB dapat dinyatakan dalam bentuk indeks warna RGB dengan rumus sebagai berikut :
...(2)
...(3)
10 Dengan R, G, dan B masing-masing berupa besaran yang menyatakan nilai intensitas warna merah, hijau dan biru.
Menurut Ahmad (2005), model warna HSI yang menyatakan warna sebagai Hue, Saturation, dan Intensity merupakan model warna yang paling sesuai dengan manusia. Intensity (I) merupakan nilai abu-abu dari pixel dalam citra hitam-putih. Nilai Hue dapat diaplikasikan untuk membedakan antara obyek dan latar belakang. Saturation (kejenuhan) yang tinggi dapat menjadi jaminan nilai Hue yang cukup akurat dalam membedakan obyek dan latar belakang. Untuk beberapa keperluan model warna RGB dapat ditransformasikan ke dalam model warna HSI dengan persamaan sebagai berikut :
parameter yang sesuai untuk melakukan pemutuan adalah indeks warna merah yang dimiliki oleh setiap buah. Untuk mutu I memiliki indeks warna merah lebih besar atau sama dengan 0.35, untuk mutu II memiliki indeks warna merah antara 0.35 – 0.33, sedangkan untuk buah mangga yang memiliki indeks warna merah kurang dari 0.33 akan dimasukkan ke dalam mutu reject.
Nurhayati (2002), mengembangkan algoritma pengolahan citra untuk menganalisis parameter mutu paprika. Dari analisis ditemukan bahwa parameter panjang hasil pengolahan citra dapat digunakan untuk membedakan paprika dalam berbagai tingkatan mutu. Untuk paprika mutu A memiliki kisaran nilai panjang 260 – 356 piksel, 240 – 354 piksel untuk mutu B, dan 216 – 328 piksel untuk mutu C. Sedangkan pada parameter diameter hasil pengolahan citra bisa membedakan mutu C terhadap mutu A dan mutu B dengan nilai sebarannya 208 – 317 piksel untuk mutu A, 215 – 261 piksel untuk mutu B, dan 198 – 258 piksel untuk mutu C. Luas proyeksi memiliki hubungan linear dengan berat paprika, nilai koefisien determinasi yang diperoleh sebesar 0.5874 yang berarti tingkat kepercayaannya sebesar 58 %. Hal ini menunjukkan bahwa berat paprika tidak dapat selalu diduga dari luas proyeksi paprika, mengingat paprika memiliki rongga besar ditengahnya.
12 Faizal (2006), melakukan penelitian untuk menentukan mutu cabai merah menggunakan algoritma pengolahan citra. Dari hasil analisis ditemukan untuk mutu I menghasilkan panjang buah lebih dari atau sama dengan 2200 piksel, diameter buah lebih dari atau sama dengan 381 piksel, nilai kisaran rasio antara panjang dengan diameter lebih dari atau sama dengan 5.9635 dan memiliki kisaran roundness kurang dari 0.00100. Untuk mutu II menghasilkan panjang buah antara 1800 – 2200 piksel, diameter buah antara 355 – 381 piksel, nilai kisaran rasio antara panjang dengan diameter antara 5.2670 – 5.9635 dan memiliki kisaran roundness antara 0.00100 – 0.00130. Sedangkan untuk mutu III menghasilkan panjang buah antara 1446 – 1800 piksel, diameter buah kurang dari 355 piksel, nilai kisaran rasio antara panjang dengan diameter kurang dari 5.2670 dan memiliki kisaran roundness lebih dari 0.00130. Hubungan antara pengukuran panjang secara manual dengan teknik pengolahan citra memiliki nilai koefisien determinasi sebesar 0.993 dengan persamaan regresi y = 0.0037 x + 0.345. Sedangkan hubungan rasio antara panjang dengan diameter (P/D) hasil perhitungan dengan hasil pengukuran/aktual menghasilkan nilai koefisien determinasi sebesar 0.9229 dengan persamaan regresi y = 1.0386 x + 0.1743. Pendugaan mutu berdasarkan gabungan parameter mutu antara panjang buah dan roundness menghasilkan validasi yang paling tinggi, yaitu untuk mutu I
menghasilkan ketepatan sebesar 94%, untuk mutu II menghasilkan ketepatan sebesar 98%, sedangkan untuk mutu III menghasilkan ketepatan sebesar 86%.
III.METODOLOGI PENELITIAN
A. TEMPAT DAN WAKTU
Kegiatan penelitian dilakukan di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian (TPPHP), Departemen Teknik Pertanian, Fakultas Teknologi Pertanian, IPB, Bogor. Waktu pelaksanaan penelitian selama 3 bulan dimulai dari bulan Juli hingga September 2009.
B. BAHAN DAN ALAT 1. Bahan Penelitian
Bahan yang digunakan dalam penelitian ini adalah buah naga daging putih (Hylocereus undatus) dengan berbagai kelas mutu yang berbeda, yaitu mutu A, mutu B dan mutu C, masing-masing berjumlah 50 buah. Proses pemutuan ini dilakukan oleh petani. Petani biasanya melakukan proses pemutuan buah naga berdasarkan penampilan buah, kemulusan buah, bebas dari kerusakan dan cacat dan ukuran buah.
Buah naga yang digunakan dalam penelitian ini merupakan buah impor yang diperoleh dari Bogor Buah Segar, Bogor, yang merupakan pusat grosir buah-buahan untuk wilayah Bogor. Buah dikemas ke dalam karton kemudian dibawa menuju laboratorium pada suhu ruang dan terlindungi dari sinar matahari.
2. Peralatan
Alat-alat yang digunakan dalam penelitian ini adalah :
a. Kamera CCD (Charge Coupled Device) sebagai alat penangkap citra.
b. Empat buah lampu TL dengan daya 7 Watt (120 – 240 Volt) sebagai alat bantu pencahayaan.
c. Alat digitasi (komputer) dan Image Processing Board. d. Kain berwarna putih sebagai background.
e. Kain berwarna hitam sebagai penghalang masuknya cahaya dari luar.
f. Tripleks sebagai dinding pembatas cahaya masuk sehingga sumber cahaya hanya di dapat dari lampu.
14 h. Jangka sorong yang digunakan untuk mengukur panjang dan diameter buah
naga.
i. Timbangan digital yang digunakan untuk mengukur berat buah naga. j. Rheometer yang digunakan untuk mengukur tingkat kekerasan buah naga. k. Refraktometer yang digunakan untuk mengukur Total Padatan Terlarut (TPT)
buah naga.
l. Luxmeter yang digunakan untuk mengukur intensitas cahaya.
C. METODE PENELITIAN
Pada penelitian ini, pengambilan data untuk setiap sampel meliputi beberapa tahapan yaitu, tahap pertama adalah pengambilan citra, tahap kedua adalah pengolahan citra yang meliputi pengukuran panjang, diameter, area, roundness, indeks warna RGB dan HSI, tahap ketiga adalah pengukuran langsung
yang meliputi pengukuran berat buah, pengukuran panjang buah, pengukuran kekerasan, dan pengukuran total padatan terlarut buah naga. Tahap yang terakhir adalah penentuan parameter mutu dari hasil pengolahan citra yang dapat digunakan untuk menentukan kelas mutu buah naga (Hylocereus undatus) yang ditentukan berdasarkan analisis korelasi antara data hasil image processing dengan data pengukuran langsung.
1. Pengambilan Citra
Buah naga dengan berbagai kelas mutu yang berbeda, yaitu mutu A, mutu B dan mutu C terlebih dahulu dibersihkan dari kotoran yang menempel. Setelah dibersihkan, buah naga diambil citranya menggunakan kamera CCD (Charge Coupled Device) dengan sistem pengolahan citra (image processing).
Pengambilan citra dilakukan dari arah samping pada kondisi berikut :
b. Intensitas reflektans dari buah naga ditangkap sensor kamera CCD melalui lensa dan ditampilkan di monitor komputer yang dihubungkan dengan sensor kamera.
c. Citra buah naga direkam dengan ukuran 400 x 300 piksel dalam 256 tingkat intensitas warna RGB (Red, Green, Blue).
d. Citra buah naga yang telah direkam, disimpan dalam sebuah arsip dengan extention file .BMP.
Untuk dapat membuka kembali file citra buah naga, menghitung panjang, diameter, area, roundness, intensitas warna RGB dan HSI diperlukan suatu program image processing. Skema perangkat keras untuk pengolahan citra yang digunakan dalam penelitian beserta aliran datanya dapat dilihat pada Gambar 3.
Gambar 3. Skema perangkat keras untuk pengolahan citra beserta aliran datanya (Ahmad, 2005)
2. Pengolahan Citra
16 panjang objek, diameter objek, area objek, roundness, intensitas warna RGB dan HSI. Algoritma image processing yang dibangun adalah sebagai berikut :
a. Membuat program image processing dalam Visual Basic 6.0, yang memiliki kemampuan untuk menghitung panjang objek, diameter objek, area objek, roundness, intensitas warna RGB dan HSI.
b. Menghitung nilai panjang, diameter, dan area dilakukan dengan cara merubah terlebih dahulu citra buah naga menjadi citra biner melalui proses thresholding. Objek diset warna putih, sedangkan latar diset berwarna hitam.
Luas area dihitung dengan menjumlahkan piksel berwarna putih, sedangkan diameter dan panjang dihitung dengan menggunakan rumus euclidean sebagai berikut :
d ([i1,j1],[i2,j2]) = ...(8)
c. Citra buah naga yang diperoleh kemudian dianalisis bentuknya dengan faktor bentuk tak berdimensi. Faktor bentuk yang digunakan adalah kebundaran (roundness) dengan menggunakan persamaan sebagai berikut :
...(9)
Dimana : R = kebundaran (tidak berdimensi) A = area citra (piksel)
L = panjang (piksel)
d. Mencari intensitas warna RGB dan HSI buah naga dilakukan dengan cara menganalisis warna yang dilanjutkan dengan perintah pengukuran intensitas warna. Area pengukuran warna adalah seluruh piksel objek (buah naga).
3. Pengukuran Langsung a. Pengukuran Berat
Pengukuran berat buah naga dilakukan dengan menggunakan timbangan digital. Pengukuran dilakukan sebanyak tiga kali ulangan, kemudian nilai dari hasil pengukuran dirata-ratakan.
Gambar 4. Pengukuran berat buah naga dengan menggunakan timbangan digital
b. Pengukuran Panjang dan Diameter
Pengukuran panjang dan diameter buah naga dilakukan dengan menggunakan jangka sorong. Untuk setiap buah naga dilakukan pengukuran panjang sebanyak satu kali. Sedangkan pengukuran diameter dilakukan sebanyak tiga kali ulangan, kemudian nilai dari hasil pengukuran dirata-ratakan. Proses pengukuran panjang dan diameter buah naga diperlihatkan pada Gambar 5.
c. Pengukuran Kekerasan
18 (a) (b)
Gambar 5. (a) Pengukuran panjang buah naga dengan menggunakan jangka sorong
(b) Pengukuran diameter buah naga dengan menggunakan jangka sorong
Gambar 6. Pengukuran kekerasan buah naga dengan menggunakan Rheometer
d. Pengukuran Total Padatan Terlarut
Kadar Total Padatan Terlarut (kadar gula) buah naga diukur dengan alat refraktometer. Pengukuran dilakukan pada tiga bagian buah yang berbeda
(a) (b)
Gambar 7. (a) Pengukuran Total Padatan Terlarut buah naga menggunakan Refraktometer
(b) Buah naga yang telah diambil daging buahnya pada bagian ujung, tengah dan pangkal untuk pengukuran TPT
4. Pengolahan Data
Data-data yang didapatkan, dilakukan analisa hubungan antara parameter pengukuran secara langsung dengan parameter pengolahan citra menggunakan persamaan regresi :
a. Analisis korelasi antara berat buah dengan luas area objek dari citra.
b. Analisis korelasi antara panjang buah aktual dengan panjang objek dari citra. c. Analisis korelasi antara diameter buah aktual dengan diameter objek dari
citra.
d. Analisis korelasi antara kekerasan buah dengan indeks warna RGB (merah, hijau, biru).
e. Analisis korelasi antara total padatan terlarut dengan indeks warna RGB (merah, hijau, biru).
5. Penentuan Parameter Mutu Buah Naga
20 Gambar 8. Diagram Alir Pelaksanaan Penelitian
Mulai
Buah Naga Hasil Pemutuan Petani
Pengambilan Citra
Pengukuran Kekerasan
Pengukuran Total Padatan Terlarut
Korelasi antara parameter pengukuran secara langsung dengan parameter pengolahan citra
Pengukuran Tidak Langsung
Pengolahan Citra
Hasil Pengolahan :
Panjang
Diameter
Roundness
Area
Indeks Warna RGB
Indeks Warna HSI
Penentuan parameter mutu buah naga Pengukuran Diameter
Pengukuran Panjang Pengukuran Langsung
Pengukuran Berat
IV. HASIL DAN PEMBAHASAN
A. PEMROGAMAN VISUAL BASIC 6.0 UNTUK MENENTUKAN MUTU BUAH NAGA
Pemrograman Visual Basic merupakan salah satu bahasa pemrograman berbasiskan Windows dengan menggunakan konsep pemrograman visual sehingga memiliki kemudahan dalam perancangan suatu program. Karena Visual Basic merupakan bahasa pemrograman, maka didalamnya berisi perintah-perintah atau instruksi yang dapat dimengerti oleh komputer untuk melakukan tugas-tugas tertentu. Tugas-tugas tersebut dapat dijalankan apabila terdapat respon dari pengguna program. Respon tersebut berupa kejadian (event) tertentu, misalnya memilih tombol, memilih menu dan sebagainya.
Gambar 9. Tampilan program setelah dieksekusi
Program aplikasi yang digunakan untuk pemutuan buah naga terdiri dari picture box, text box, label, command button, dan frame. Masing-masing toolbox
yang digunakan memiliki fungsi yang berbeda. Picture box berfungsi untuk
22 menampilkan gambar yang dipanggil dari direktori, text box berfungsi untuk menerima input dari program aplikasi yang dibuat, label berfungsi untuk menampilkan teks pada aplikasi yang dibuat untuk memperjelas objek, frame berfungsi untuk menempatkan beberapa kontrol yang dianggap satu kelompok dan command button berfungsi untuk mengeksekusi perintah tertentu.
Adapun program aplikasi untuk pemutuan buah naga yang dibuat memiliki kemampuan untuk melakukan proses thresholding, proses reduksi noise, proses perhitungan diameter, panjang, luas area, ferets diameter, roundness dan warna. Tampilan program setelah dieksekusi dapat dilihat pada Gambar 9.
Proses dan tahapan-tahapan running program adalah sebagai berikut : 1. Pengambilan citra buah naga
Dengan menggunakan menu Open, maka akan muncul dialog box, selanjutnya mencari letak alamat file citra buah naga. Citra buah naga yang tersedia kemudian dibuka, dan citra buah naga akan tampil pada picture box1. 2. Proses pemisahan citra dengan warna latar belakang
Dengan menggunakan menu Threshold, maka pada picture box2 akan muncul citra buah naga yang sudah dibedakan antara latar belakang dengan objek buah naga. Prinsip program yaitu merubah latar belakang menjadi berwarna hitam, dan objek menjadi berwarna putih.
3. Proses penyempurnaan tampilan citra biner
Dengan menggunakan menu reduksi noise, maka akan dilakukan penyempurnaan (penghapusan noise) pada tampilan citra biner yang telah dibentuk. Operasi yang dilakukan adalah dilation yang berguna untuk penambahan piksel pada objek (menutup celah pada objek) yang dihasilkan akibat pantulan cahaya pada saat proses pengambilan citra.
4. Perhitungan luas area, panjang, diameter, ferets diameter, roundness, dan warna.
Selanjutnya nilai intensitas warna RGB dan HSI dapat langsung diperoleh dengan mengklik tombol RGB dan HSI pada frame nilai warna.
(a) (b)
(c)
Gambar 10. Operasi thresholding dan reduksi noise ; (a) citra buah naga, (b) citra hasil thresholding, (c) citra hasil reduksi noise.
B. PEMUTUAN BUAH NAGA DENGAN METODE PENGUKURAN LANGSUNG
Pemutuan buah naga dengan metode pengukuran secara langsung dilakukan dengan mengukur beberapa parameter yang diduga dapat digunakan sebagai faktor pembuat keputusan untuk menentukan tingkat mutu dari buah naga. Hasil pengukuran untuk tiap mutu buah naga dengan metode pengukuran langsung adalah sebagai berikut :
1. Penentuan Mutu Berdasarkan Berat Buah
24 438.87 – 501.81 gram dengan nilai rata-rata 478.62 gram dan mutu C sebesar 275.45 – 450.89 gram dengan nilai rata-rata 386.14 gram. Hasil perhitungan statistik pada parameter berat untuk buah naga mutu A, mutu B dan mutu C disajikan pada Tabel 3.
Tabel 3. Hasil perhitungan statistik pada parameter berat buah naga
Berat (gram) Mutu
Grafik sebaran berat untuk buah naga mutu A, mutu B dan mutu C dapat dilihat pada Gambar 11. Pada grafik tersebut dapat dilihat adanya perbedaan yang cukup jelas antara sebaran nilai berat buah naga tiap tingkatan mutu, sehingga parameter berat dapat digunakan sebagai faktor pemutuan buah naga meskipun hasil pengelompokkan masih mengalami sedikit kekeliruan. Hal ini terjadi karena pada saat melakukan pemutuan secara manual, petani tidak mengukur berat buah naga satu persatu tetapi hanya berdasarkan asumsi dan kebiasaan. Dengan demikian buah naga yang seharusnya dikelompokkan ke dalam mutu A tetapi dikelompokkan ke dalam mutu B, buah naga yang seharusnya dikelompokkan ke dalam mutu B tetapi dikelompokkan ke dalam mutu A dan C, begitu juga sebaliknya.
Gambar 11. Grafik sebaran berat buah naga mutu A, B dan C
2. Penentuan Mutu Berdasarkan Panjang Buah
Pengukuran panjang buah naga dilakukan dengan menggunakan jangka sorong. Untuk setiap buah naga dilakukan pengukuran sebanyak tiga kali ulangan dari arah ujung buah sampai pangkal buah pada titik yang berbeda, kemudian nilai hasil dari pengukuran dirata-ratakan. Dari perhitungan statistik untuk pengukuran panjang buah naga, dihasilkan sebaran panjang buah naga untuk mutu A sebesar 12.61 – 15.74 cm dengan nilai rata-rata 13.90 cm, mutu B sebesar 11.73 – 14.65 cm dengan nilai rata-rata 13.49 cm dan mutu C sebesar 9.19 – 13.26 cm dengan nilai rata-rata 10.37 cm. Hasil perhitungan statistik pada parameter panjang untuk buah naga mutu A, mutu B dan mutu C disajikan pada Tabel 4.
Tabel 4. Hasil perhitungan statistik pada parameter panjang buah naga
Panjang (cm) Mutu
A B C
Maksimum 15.74 14.65 13.26
Minimum 12.61 11.73 9.19
Rata-rata 13.90 13.49 10.37
Standar Deviasi 0.90 0.84 0.76
Ambang Atas - 13.66 11.89
26 Sedangkan grafik sebaran panjang untuk buah naga mutu A, mutu B dan mutu C dapat dilihat pada Gambar 12. Pada grafik tersebut dapat dilihat adanya perbedaan antara sebaran nilai panjang tiap tingkatan mutu, sehingga parameter panjang dapat digunakan sebagai faktor pemutuan buah naga meskipun dalam hasil pengelompokan masih terdapat kekeliruan. Hal ini terjadi karena faktor kelelahan dan kejenuhan mata manusia pada saat melakukan pemutuan secara manual. Selain itu adanya pertimbangan faktor diameter buah naga disamping faktor panjang buah naga pada saat proses pemutuan. Sehingga buah naga yang seharusnya dikelompokkan ke dalam mutu A tetapi dikelompokkan ke dalam mutu B, buah naga yang seharusnya dikelompokkan ke dalam mutu B tetapi dikelompokkan ke dalam mutu A dan C, begitu juga sebaliknya.
Oleh karena pembagian batas yang jelas untuk masing-masing mutu belum ada, maka batasan yang digunakan adalah nilai ambang rata diantara kedua mutu yang berdekatan. Untuk mutu A diperoleh kisaran panjang lebih besar dari 13.66 cm, mutu B dengan kisaran panjang antara 11.89 – 13.66 cm dan mutu C dengan kisaran panjang kurang dari 11.89 cm.
3. Penentuan Mutu Berdasarkan Diameter Buah
Pengukuran diameter buah naga dilakukan dengan menggunakan jangka sorong. Untuk setiap buah naga dilakukan pengukuran sebanyak tiga kali ulangan dengan arah horizontal pada titik yang berbeda pada bagian tengah buah naga, kemudian nilai hasil dari pengukuran dirata-ratakan. Berdasarkan hasil perhitungan statistik untuk pengukuran diameter buah naga, dihasilkan sebaran panjang buah naga untuk mutu A sebesar 8.46 – 10.24 cm dengan nilai rata-rata 9.13 cm, mutu B sebesar 7.68 – 8.78 cm dengan nilai rata-rata 8.17 cm dan mutu C sebesar 6.85 – 8.43 cm dengan nilai rata-rata 7.74 cm. Hasil perhitungan statistik pada parameter diameter untuk buah naga mutu A, mutu B dan mutu C disajikan pada Tabel 5.
Tabel 5. Hasil perhitungan statistik pada parameter diameter buah naga
Diameter (cm) Mutu dilihat pada Gambar 13. Pada grafik tersebut terlihat adanya pola yang digunakan petani untuk menentukan tingkat mutu buah naga meskipun dalam hasil pengelompokan masih terdapat sedikit kekeliruan. Hal ini terjadi karena faktor kelelahan dan kejenuhan mata manusia pada saat melakukan pemutuan secara manual. Selain itu adanya pertimbangan faktor panjang buah naga disamping faktor diameter buah naga pada saat proses pemutuan. Sehingga buah naga yang seharusnya dikelompokkan ke dalam mutu A tetapi dikelompokkan ke dalam mutu B, buah naga yang seharusnya dikelompokkan ke dalam mutu B tetapi dikelompokkan ke dalam mutu A dan C, begitu juga sebaliknya.
28 cm, mutu B dengan kisaran diameter antara 8.05 – 8.57 cm dan mutu C dengan kisaran diameter kurang dari 8.05 cm.
Gambar 13. Grafik sebaran diameter buah naga mutu A, B dan C
4. Penentuan Mutu Berdasarkan Kekerasan Buah
Pengukuran kekerasan daging buah naga dilakukan dengan menggunakan alat rheometer. Untuk setiap buah naga dilakukan pengukuran sebanyak tiga kali
ulangan pada titik yang berbeda yaitu pada bagian ujung, tengah, dan pangkal buah, kemudian nilai hasil dari pengukuran dirata-ratakan. Dari hasil perhitungan statistik untuk pengukuran kekerasan daging buah naga, dihasilkan sebaran kekerasan daging buah naga untuk mutu A sebesar 5.605 – 8.836 N dengan nilai rata-rata 8.836 N, mutu B sebesar 5.258 – 9.241 N dengan nilai rata-rata 6.623 N dan mutu C sebesar 4.421 – 8.482 N dengan nilai rata-rata 6.480 N. Hasil perhitungan statistik pada parameter kekerasan untuk buah naga mutu A, mutu B dan mutu C disajikan pada Tabel 6. Sedangkan grafik sebaran kekerasan untuk buah naga mutu A, mutu B dan mutu C dapat dilihat pada Gambar 14.
tumpang tindih. Oleh karena itu dapat disimpulkan bahwa tingkat mutu buah naga tidak dapat ditentukan oleh tingkat kekerasannya.
Tabel 6. Hasil perhitungan statistik pada parameter kekerasan buah naga
Kekerasan (N)* Mutu
A B C
Maksimum 8.836 9.241 8.482
Minimum 5.605 5.258 4.421
Rata-rata 6.819 6.623 6.480
Standar Deviasi 0.874 1.137 0.868
*Keterangan : Pengukuran kekerasan dilakukan menggunakan alat rheometer dengan beban maksimal penekanan sebesar 2 kg, kecepatan tekan 60 mm/m, panjang bidang tekan 10 mm dan jarum yang digunakan memiliki permukaan berdiameter 5 mm.
Gambar 14. Grafik sebaran kekerasan buah naga mutu A, B dan C
30 5. Penentuan Mutu Berdasarkan Total Padatan Terlarut Buah
Pengukuran kadar total padatan terlarut (kadar gula) buah naga dilakukan dengan menggunakan alat Refraktometer. Untuk setiap buah naga dilakukan pengukuran sebanyak tiga kali ulangan pada titik yang berbeda yaitu pada bagian ujung, tengah, dan pangkal buah, kemudian nilai hasil dari pengukuran dirata-ratakan.
Hasil perhitungan statistik pada parameter total padatan terlarut (kadar gula) untuk buah naga mutu A, mutu B dan mutu C disajikan pada Tabel 7. Dari hasil perhitungan statistik tersebut, dihasilkan sebaran total padatan terlarut (kadar gula) buah naga untuk mutu A sebesar 7.4 – 13.0 brix dengan nilai rata-rata 10.1 brix, mutu B sebesar 7.7 – 11.0 brix dengan nilai rata-rata 9.3 brix dan mutu C sebesar 7.2 – 11.5 brix dengan nilai rata-rata 9.0 brix. Sedangkan grafik sebaran total padatan terlarut untuk buah naga mutu A, mutu B dan mutu C dapat dilihat pada Gambar 15.
Tabel 7. Hasil perhitungan statistik pada parameter total padatan terlarut buah naga nilai-nilai pada ketiga tingkatan mutu tidak menunjukkan perbedaan yang jelas. Nilai total padatan terlarut untuk buah naga mutu A, mutu B dan mutu C terjadi tumpang tindih. Oleh karena itu dapat disimpulkan bahwa tingkat mutu buah naga tidak dapat ditentukan dari tingkat total padatan terlarut buah naga.
brix. Sedangkan buah naga yang mempunya nilai total padatan terlarut kurang dari 7.2 brix dan atau lebih dari 13.0 brix masuk ke dalam mutu rejected.
Gambar 15. Grafik sebaran total padatan terlarut buah naga mutu A, B dan C
C. PARAMETER MUTU BUAH NAGA DENGAN METODE PENGOLAHAN CITRA
Hasil pengukuran untuk tiap mutu buah naga dengan metode pengolahan citra adalah sebagai berikut :
1. Penentuan Mutu Berdasarkan Area Buah
32 Tabel 8. Hasil perhitungan statistik pada parameter area buah naga hasil
pengolahan citra
Area (piksel) Mutu
A B C
Maksimum 45187 35695 32274
Minimum 30218 27384 21736
Rata-rata 36219 31841 27596
Standar Deviasi 3400 2145 2442
Ambang Atas - 33402 29868
Ambang Bawah 33402 29868 -
Gambar 16. Grafik sebaran area hasil pengolahan citra buah naga mutu A, B dan C
nilai diameternya berbeda akan menghasilkan luasan area yang berbeda pula. Sehingga buah naga yang seharusnya dikelompokkan ke dalam mutu A tetapi dikelompokkan ke dalam mutu B, buah naga yang seharusnya dikelompokkan ke dalam mutu B tetapi dikelompokkan ke dalam mutu A dan C, begitu juga sebaliknya.
Oleh karena batas yang jelas untuk masing-masing mutu belum ada, maka batasan yang digunakan adalah nilai ambang rata diantara kedua mutu yang berdekatan. Untuk mutu A diperoleh kisaran area lebih besar dari 33402 piksel, mutu B dengan kisaran area antara 29868 – 33402 piksel dan mutu C dengan kisaran area kurang dari 29868 piksel.
2. Penentuan Mutu Berdasarkan Panjang Buah
Hasil perhitungan statistik untuk pengukuran panjang buah naga dengan cara pengolahan citra, menghasilkan nilai rata-rata panjang untuk mutu A sebesar 280 piksel, mutu B sebesar 269 piksel dan mutu C sebesar 258 piksel. Dengan kisaran panjang untuk mutu A lebih besar dari 274 piksel, mutu B antara 265 – 274 piksel, dan mutu C kurang dari 265 piksel Hasil perhitungan statistik pada parameter panjang untuk buah naga mutu A, mutu B dan mutu C disajikan pada Tabel 9. Sedangkan grafik sebaran panjang hasil pengolahan citra untuk buah naga mutu A, mutu B dan mutu C dapat dilihat pada Gambar 17.
34 Tabel 9. Hasil perhitungan statistik pada parameter panjang buah naga hasil pengolahan citra
Panjang (piksel) Mutu
A B C
Maksimum 319 306 304
Minimum 250 235 221
Rata-rata 280 269 258
Standar Deviasi 17 16 18
Ambang Atas - 274 265
Ambang Bawah 274 265 -
Gambar 17. Grafik sebaran panjang hasil pengolahan citra buah naga mutu A, B dan C
3. Penentuan Mutu Berdasarkan Diameter Buah
Tabel 10. Sedangkan grafik sebaran diameter hasil pengolahan citra untuk buah naga mutu A, mutu B dan mutu C dapat dilihat pada Gambar 18.
Tabel 10. Hasil perhitungan statistik pada parameter diameter buah naga hasil pengolahan citra
Diameter (piksel) Mutu
A B C
Maksimum 224 199 198
Minimum 170 153 132
Rata-rata 195 176 166
Standar Deviasi 14 11 14
Ambang Atas - 184 173
Ambang Bawah 184 173 -
Gambar 18. Grafik sebaran diameter hasil pengolahan citra buah naga mutu A, B dan C
36 dikelompokkan ke dalam mutu A dan C, begitu juga sebaliknya. Hal ini disebabkan karena faktor kelelahan dan kejenuhan mata manusia pada saat melakukan pemutuan secara manual, kemudian pada saat proses pemutuan secara manual petani juga mempertimbangkan faktor panjang disamping faktor diameter buah naga. Selain itu bentuk buah naga yang unik yang mempunyai sisik dan sulur dengan ukuran yang tidak tentu juga turut mempengaruhi hasil pengukuran dengan teknik pengolahan citra.
4. Penentuan Mutu Berdasarkan Ferets Diameter Buah
Berdasarkan hasil perhitungan statistik untuk pengukuran ferets diameter buah naga dengan cara pengolahan citra, menghasilkan nilai rata-rata ferets diameter untuk mutu A sebesar 1.44 dengan nilai maksimum dan minimum
masing-masing sebesar 1.62 dan 1.23. Rata-rata ferets diameter mutu B sebesar 1.53 dengan nilai maksimum dan minimum masing-masing sebesar 1.94 dan 1.25. Dan rata-rata ferets diameter mutu C sebesar 1.57 dengan nilai maksimum dan minimum masing-masing sebesar 2.00 dan 1.27. Hasil perhitungan statistik pada parameter ferets diameter untuk buah naga mutu A, mutu B dan mutu C disajikan pada Tabel 11. Sedangkan grafik sebaran ferets diameter hasil pengolahan citra untuk buah naga mutu A, mutu B dan mutu C dapat dilihat pada Gambar 19.
Gambar 19. Grafik sebaran ferets diameter hasil pengolahan citra buah naga mutu A, B dan C
5. Penentuan Mutu Berdasarkan Faktor Bentuk (Roundness)
Roundness merupakan faktor bentuk yang tidak berdimensi. Bila nilai
roundness semakin besar maka bentuk objek tersebut semakin bundar. Sebaliknya
semakin kecil nilai roundness yang dihasilkan maka bentuk objek semakin memanjang.
Berdasarkan hasil perhitungan statistik untuk pengukuran roundness buah naga dengan cara pengolahan citra, menghasilkan nilai rata-rata roundness untuk mutu A sebesar 0.59 dengan nilai maksimum dan minimum masing-masing sebesar 0.73 dan 0.48. Rata-rata roundness mutu B sebesar 0.56 dengan nilai maksimum dan minimum masing-masing sebesar 0.70 dan 0.46. Dan rata-rata roundness mutu C sebesar 0.53 dengan nilai maksimum dan minimum
masing-masing sebesar 0.66 dan 0.42. Hasil perhitungan statistik pada parameter roundness untuk buah naga mutu A, mutu B dan mutu C disajikan pada Tabel 12.
38 Tabel 12. Hasil perhitungan statistik pada parameter roundness buah naga
hasil pengolahan citra
Roundness Mutu
A B C
Maksimum 0.73 0.70 0.66
Minimum 0.48 0.46 0.42
Rata-rata 0.59 0.56 0.53
Standar Deviasi 0.06 0.05 0.06
Gambar 20. Grafik sebaran roundness hasil pengolahan citra buah naga mutu A, B dan C
Berdasarkan grafik sebaran roundness tidak dapat digambarkan garis batas nilai karena nilai-nilai pada ketiga tingkatan mutu tidak menunjukkan perbedaan yang jelas, hal ini terjadi karena pada saat proses pemutuan secara manual tidak ada parameter keseragaman bentuk yang dapat dijadikan acuan yang nyata. Sehingga dapat disimpulkan bahwa roundness tidak dapat digunakan sebagai parameter penentuan tingkat mutu buah naga.
6. Penentuan Mutu Berdasarkan Warna Buah
untuk mutu A adalah antara 103 – 136 dengan nilai rata-rata 120. Untuk buah naga dengan mutu B diperoleh kisaran nilai komponen warna merah antara 107 – 136 dengan nilai rata-rata 122. Sedangkan untuk buah naga dengan mutu C diperoleh kisaran nilai komponen warna merah antara 98 – 144 dengan nilai rata-rata 117.
Hasil perhitungan statistik komponen warna hijau untuk mutu A adalah antara 60 – 89 dengan nilai rata-rata 74. Untuk buah naga dengan mutu B diperoleh diperoleh kisaran nilai komponen warna biru antara 68 – 83 dengan nilai rata-rata 76. Sedangkan untuk buah naga dengan mutu C diperoleh kisaran nilai komponen warna biru antara 63 – 88 dengan nilai rata-rata 73.
Data hasil perhitungan statistik pada parameter komponen warna RGB untuk buah naga mutu A, mutu B dan mutu C disajikan pada Tabel 13. Sedangkan grafik sebaran komponen warna RGB hasil pengolahan citra untuk buah naga mutu A, mutu B dan mutu C dapat dilihat pada Gambar 21, 22 dan 23.
40 Gambar 21. Grafik sebaran komponen warna merah hasil pengolahan citra buah naga mutu A, B dan C
Gambar 23. Grafik sebaran komponen warna biru hasil pengolahan citra buah naga mutu A, B dan C
Berdasarkan grafik sebaran komponen warna RGB buah naga untuk berbagai kelas mutu tidak dapat digambarkan garis batas nilai karena nilai-nilai pada ketiga tingkatan mutu tidak menunjukkan perbedaan yang jelas. Sehingga dapat disimpulkan bahwa komponen warna RGB buah naga tidak dapat digunakan sebagai parameter penentuan tingkat mutu buah naga.
D. KORELASI PARAMETER MUTU METODE PENGUKURAN LANGSUNG DENGAN METODE PENGOLAHAN CITRA
1. Korelasi Parameter Berat dengan Area Hasil Pengolahan Citra
Grafik hubungan antara area buah naga menggunakan cara pengolahan citra dengan berat buah naga disajikan pada Gambar 24. Dari grafik hubungan antara area buah naga menggunakan cara pengolahan citra dengan berat buah naga, diperoleh nilai koefisien determinasi sebesar 0.844 dengan persamaan regresi y = 0.020x – 176.1. Berdasarkan nilai koefisien determinasi yang dihasilkan dari
42 Gambar 24. Grafik hubungan antara area buah naga menggunakan cara
pengolahan citra dengan berat buah naga
2. Korelasi Parameter Diameter Aktual dengan Diameter Hasil Pengolahan Citra
Gambar 25. Grafik hubungan antara diameter perhitungan menggunakan cara pengolahan citra dengan diameter aktual
3. Korelasi Parameter Panjang Aktual dengan Panjang Hasil Pengolahan Citra
44 Gambar 26. Grafik hubungan antara panjang perhitungan menggunakan cara pengolahan citra dengan panjang aktual
4. Korelasi Parameter Kekerasan Buah dengan Komponen Warna Buah Hasil Pengolahan Citra
Gambar 27. Grafik hubungan antara komponen warna merah citra buah naga dengan kekerasan buah naga
46 Gambar 29. Grafik hubungan antara komponen warna biru citra buah naga dengan kekerasan buah naga
5. Korelasi Parameter Total Padatan Terlarut dengan Komponen Warna Buah Hasil Pengolahan Citra
Gambar 30. Grafik hubungan antara komponen warna merah citra buah naga dengan total padatan terlarut buah naga
48 Gambar 32. Grafik hubungan antara komponen warna biru citra buah naga dengan total padatan terlarut buah naga
E. VALIDASI UNTUK PEMUTUAN BUAH NAGA
Pada proses validasi untuk pemutuan buah naga, parameter yang digunakan adalah komponen warna merah, diameter dan area objek. Batas-batas nilai yang digunakan untuk pengelompokan buah naga disajikan pada Tabel 14.
Tabel 14. Batas-batas nilai untuk pengelompokan buah naga
Parameter Kelas Mutu
A B C
Komponen Warna
Merah (R) R ≥ 98 R ≥ 98 R ≥ 98
Diameter (D) (piksel) D ≥ 184 173 ≤ D < 184 D <173 Luas Area (A) (piksel) A ≥ 33403 29868 ≤ A < 33403 A < 29868 1. Validasi Pemutuan Berdasarkan Diameter Buah Naga
ke dalam mutu A, sedangkan sisanya sebesar 40% atau sebanyak 20 buah sampel dimasukkan ke dalam mutu C. Selanjutnya untuk mutu C sebesar 76% atau sebanyak 38 buah sampel dapat dikenali sebagai mutu C, sebanyak 4 buah sampel atau sebesar 8% dimasukkan ke dalam mutu A, sedangkan sisanya sebesar 16% atau sebanyak 8 buah sampel dimasukkan ke dalam mutu B. Data hasil pendugaan mutu berdasarkan diameter buah naga dapat dilihat pada Tabel 15.
Validasi berdasarkan diameter buah untuk mutu B diperoleh ketepatan yang lebih rendah dibandingkan dengan validasi untuk mutu A dan C. Hal ini terjadi karena buah naga yang seharusnya masuk ke dalam mutu B karena memiliki interval nilai kisaran diameter yang sama dengan mutu C, maka oleh program pada saat proses pemutuan atau grading dikenali sebagai mutu C.
Tabel 15. Pendugaan mutu buah naga berdasarkan diameter buah Pemutuan
2. Validasi Pemutuan Berdasarkan Area Buah Naga
Hasil pendugaan mutu buah naga berdasarkan area buah naga pada setiap mutu disajikan pada Tabel 16.
Tabel 16. Pendugaan mutu buah naga berdasarkan area buah Pemutuan
50 sedangkan sisanya sebesar 20% atau sebanyak 10 buah sampel dimasukkan ke dalam mutu C. Dan untuk mutu C sebesar 78% atau sebanyak 39 buah sampel dapat dikenali sebagai mutu C, sedangkan sisanya sebesar 22% atau sebanyak 11 buah sampel dimasukkan ke dalam mutu B.
Validasi berdasarkan area buah untuk mutu B diperoleh ketepatan yang lebih rendah dibandingkan dengan validasi untuk mutu A dan C. Hal ini terjadi karena buah naga yang seharusnya masuk ke dalam mutu B karena memiliki interval nilai kisaran area yang sama dengan mutu C, maka oleh program pada saat proses pemutuan atau grading dikenali sebagai mutu C. Demikian sebaliknya untuk mutu C dikenali sebagai mutu B.
3. Validasi Pemutuan Berdasarkan Gabungan Antara Diameter dan Area Buah Naga
Untuk menghasilkan pendugaan kelas mutu yang sesunguhnya, dilakukan validasi dengan cara menggabungkan parameter-parameter mutu secara bersamaan yaitu diameter buah dan area buah. Hasil pendugaan kelas mutu gabungan dari diameter buah dan area buah dapat dilihat pada Tabel 17.
Tabel 17. Pendugaan mutu buah naga berdasarkan diameter dan area buah naga Pemutuan
52 V. KESIMPULAN DAN SARAN
A. KESIMPULAN
1. Program pengolahan citra telah mampu menghasilkan data-data numerik dari citra berupa area, panjang, diameter, ferets diameter, faktor bentuk
(roundness), komponen warna RGB dan HSI.
2. Parameter mutu yang dapat digunakan untuk menentukan tingkat mutu buah naga (Hylocereus undatus) menggunakan cara pengolahan citra yaitu
parameter area dan diameter buah. Untuk mutu A menghasilkan area buah lebih dari atau sama dengan 33402 piksel, dan memiliki diameter buah lebih dari atau sama dengan 184 piksel. Untuk mutu B menghasilkan area buah antara 29868 – 33402 piksel, dan memiliki diameter buah antara 173 – 184 piksel. Sedangkan untuk mutu C menghasilkan area buah kurang dari 29868 piksel, dan memiliki diameter buah kurang dari173 piksel.
3. Buah naga yang masuk ke dalam kelas mutu memiliki nilai komponen warna merah lebih dari atau sama dengan 98, nilai komponen warna hijau lebih dari atau sama dengan 58, dan nilai komponen warna biru lebih dari atau sama dengan 63.
4. Validasi pemutuan buah naga menggunakan cara pengolahan citra
berdasarkan area buah untuk mutu A menghasilkan ketepatan sebesar 82%, untuk mutu B menghasilkan ketepatan sebesar 50% dan untuk mutu C menghasilkan ketepatan sebesar 78%.
5. Validasi pemutuan buah naga menggunakan cara pengolahan citra
berdasarkan diameter buah untuk mutu A menghasilkan ketepatan sebesar 68%, untuk mutu B menghasilkan ketepatan sebesar 38% dan untuk mutu C menghasilkan ketepatan sebesar 76%.
6. Validasi pemutuan buah naga menggunakan cara pengolahan citra
berdasarkan gabungan parameter mutu antara area buah dan diameter buah untuk mutu A menghasilkan ketepatan sebesar 64%, untuk mutu B
B. SARAN
APLIKASI IMAGE PROCESSING UNTUK MENENTUKAN TINGKAT MUTU BUAH NAGA (Hylocereus undatus) SECARA NON-DESTRUCTIVE
Oleh : DIAR FITRADA
F14050031
2010
FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR
DAFTAR PUSTAKA
Anonim, 2001. Penampilan Eksotis Sang Naga di Pot.
http://www.tabloidnova.com/articles.asp?id=8014 (16 Mei 2009) Anonim, 2003. Buah Naga dan Manfaatnya.
http://www.nganjuk.go.id/ina/ttg.php?id=10 (16 Mei 2009) Anonim, 2008. Budidaya Buah Naga.
http://infokebun.wordpress.com/budidaya-buah-naga/ (2 Oktober 2009) Ahmad, U. 2005. Pengolahan Citra Digital dan Teknik Pemrogramannya. Graha Ilmu : Yogyakarta.
Arymurtyh, A. M dan Suryana S. 1992. Pengantar Pengolahan Citra. PT. Elex Media Komputindo. Gramedia. Jakarta.
Anggarwati W. 1986. Pengaruh Umur Panen Terhadap Kualitas dan Daya Tahan Simpan Anggur. J.Hort Balithor Solok No. 17 h 553-558.
Basuki, A., Jozua, F.P. dan Fatchurrochman. 2005. Pengolahan Citra Digital Menggunakan Visual Basic. Graha Ilmu : Yogyakarta.
Faizal, I. 2006. Aplikasi Image Processing untuk Pemutuan Cabai Merah (Capsicum annum L.). Skripsi. Departemen Teknik Pertanian. Institut Pertanian Bogor, Bogor.
Gunayanti, S. 2002. Pemutuan (Grading) Buah Mangga (Mangifera indica L.) Berdasarkan Sifat Fisik Permukaan Buah Menggunakan Pengolahan Citra. Skripsi. Departemen Teknik Pertanian. Institut Pertanian Bogor, Bogor.
Jain, R., Kasturi, R. And Schunk, B.G. 1995. Machine Vision. McGraw-Hill, Inc. NY, USA.
Nurhayati, N. T. 2002. Mempelajari Parameter Mutu Paprika (Capsicum annum var. grossum) dengan Pengolahan Citra. Skripsi. Departemen Teknik Pertanian. Institut Pertanian Bogor, Bogor.
Rienamora, F. 2007. Pengembangan Algoritma Image Processing Untuk Klasifikasi Mutu Belimbing Manis (Averrhoa carambola L.). Skripsi. Departemen Teknik Pertanian. Institut Pertanian Bogor, Bogor.
APLIKASI IMAGE PROCESSING UNTUK MENENTUKAN TINGKAT MUTU BUAH NAGA (Hylocereus undatus) SECARA NON-DESTRUCTIVE
Oleh : DIAR FITRADA
F14050031
2010
FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR
APLIKASI IMAGE PROCESSING UNTUK MENENTUKAN TINGKAT MUTU BUAH NAGA (Hylocereus undatus) SECARA NON-DESTRUCTIVE
SKRIPSI
Sebagai salah satu syarat untuk memperoleh gelar SARJANA TEKNOLOGI PERTANIAN
Pada Jurusan Teknik Pertanian, Fakultas Teknologi Pertanian,
Institut Pertanian Bogor
Oleh : DIAR FITRADA
F14050031
2010
FAKULTAS TEKNOLOGI PERTANIAN INSTITUT PERTANIAN BOGOR
DIAR FITRADA. F14050031. Aplikasi Image Processing untuk Menentukan Tingkat Mutu Buah Naga (Hylocereus undatus) Secara non-Destructive. Di bawah bimbingan : Prof. Dr. Ir. Atjeng M Syarief, M.SAE dan Dr. Ir. Sutrisno, M.Agr. 2009
RINGKASAN
Buah naga (Hylocereus undatus) merupakan salah satu tanaman tropis yang cukup kaya dengan berbagai vitamin dan mineral yang dapat membantu meningkatkan daya tahan dan metabolisme tubuh. Meskipun buah naga terbilang baru dikenal di Indonesia, namun prospek buah naga di pasar domestik cukup baik karena penggemarnya berangsur-angsur meningkat. Hal tersebut dapat dilihat dengan semakin membanjirnya buah naga di supermarket atau pasar swalayan di beberapa kota di Indonesia. Untuk memenuhi keinginan pangsa pasar serta dapat diterima oleh konsumen, maka penentuan sortasi dan mutu buah naga harus selalu diperhatikan.
Selama ini penentuan sortasi dan mutu buah naga biasanya dilakukan secara visual dengan memperhatikan bentuk fisik, sifat fisik, ukuran buah atau kombinasinya yang dilakukan secara manual. Penentuan mutu secara manual ini masih memiliki banyak kekurangan diantaranya waktu yang dibutuhkan relatif lama serta menghasilkan produk yang beragam karena keterbatasan visual manusia, tingkat kelelahan dan perbedaan persepsi tentang mutu buah.
Penelitian ini bertujuan mempelajari parameter mutu buah naga (Hylocereus undatus) menggunakan metode image processing, yaitu panjang, diameter, area, roundness dan intensitas warna RGB (merah, hijau, biru). Mencari korelasi antara data pengukuran langsung dengan hasil image processing, yaitu analisis korelasi antara berat buah dengan luas area objek dari citra, analisis korelasi antara panjang buah aktual dengan panjang objek dari citra, analisis korelasi antara diameter buah aktual dengan diameter objek dari citra, analisis korelasi antara kekerasan buah dengan indeks warna RGB (merah, hijau, biru), analisis korelasi antara total padatan terlarut buah dengan indeks warna RGB (merah, hijau, biru) dan menemukan parameter mutu dari hasil pengolahan citra yang dapat digunakan untuk menentukan kelas mutu buah naga (Hylocereus undatus). Berdasarkan parameter tersebut kemudian dilakukan pemutuan buah naga (Hylocereus undatus) menggunakan parameter mutu citra untuk memperbaiki hasil pemutuan manual.
Hasil analisis korelasi parameter mutu metode pengukuran langsung dengan metode pengolahan citra yaitu untuk hubungan antara pengukuran berat dengan area buah menggunakan cara pengolahan citra memiliki nilai koefisien determinasi sebesar 0.844. Hubungan antara pengukuran diameter secara manual dengan cara pengolahan citra memiliki nilai koefisien determinasi sebesar 0.543. Hubungan antara pengukuran panjang secara manual dengan cara pengolahan citra memiliki nilai koefisien determinasi sebesar 0.293. Hubungan antara pengukuran kekerasan buah dengan komponen warna buah hasil pengolahan citra yaitu komponen warna merah, hijau dan biru berturut-turut memiliki nilai koefisien determinasi sebesar 0.027, 0.073 dan 0.028. Hubungan antara pengukuran total padatan terlarut buah dengan komponen warna buah hasil pengolahan citra yaitu komponen warna merah, hijau dan biru berturut-turut memiliki nilai koefisien determinasi sebesar 0.001, 0.001 dan 0.006.
Berdasarkan analisis korelasi tersebut, parameter mutu yang dapat digunakan untuk menentukan tingkat mutu buah naga (Hylocereus undatus) menggunakan cara pengolahan citra yaitu parameter area buah dan diameter buah. Untuk mutu A menghasilkan area buah lebih dari atau sama dengan 33402 piksel, dan memiliki diameter buah lebih dari atau sama dengan 184 piksel. Untuk mutu B menghasilkan area buah antara 29868 – 33402 piksel, dan memiliki diameter buah antara 173 – 184 piksel. Sedangkan untuk mutu C menghasilkan area buah kurang dari 29868 piksel, dan memiliki diameter buah kurang dari173 piksel.
Judul Skripsi : Aplikasi Image Processing untuk Menentukan Tingkat Mutu Buah Naga (Hylocereus undatus) Secara non-Destructive Nama : Diar Fitrada
NIM : F14050031
Menyetujui Pembimbing I,
(Prof. Dr. Ir. Atjeng M Syarief, M.SAE) NIP: 19460501 197301 1 001
Pembimbing II,
(Dr. Ir. Sutrisno, M.Agr) NIP: 19590720 198601 1 002
Mengetahui : Ketua Departemen,
(Dr. Ir. Desrial, M.Eng) NIP: 19661201 199103 1 004
RIWAYAT HIDUP
Penulis bernama lengkap Diar Fitrada, dilahirkan di Sumedang, 7 Juni 1986 dan merupakan anak pertama dari tiga bersaudara dengan ayah bernama Ir. H. Tarlan M.Pd dan Ibu bernama Hj. Lilis Suryani S.Pd, MM.
Pada tahun 1999 penulis menyelesaikan pendidikan dasar di Sekolah Dasar Negeri Pajajaran, Tasikmalaya. Penulis kemudian melanjutkan pendidikan di Sekolah Lanjutan Tingkat Pertama Negeri 2 Tasikmalaya dan lulus tahun 2002. Kemudian melanjutkan ke Sekolah Lanjutan Menengah Atas Negeri 1 Tasikmalaya dan lulus tahun 2005.
Pada tahun 2005, melalui Undangan Seleksi Masuk IPB (USMI), penulis diterima di Tingkat Persiapan Bersama, Institut Pertanian Bogor, dan pada tahun 2006 penulis diterima di Departemen Teknik Pertanian, Fakultas Teknologi Pertanian, Institut Pertanian Bogor dan menyelesaikan pendidikan program Sarjana pada tahun 2010.
Selama menempuh studi di IPB, penulis terdaftar sebagai anggota Himpunan Mahasiswa Teknik Pertanian (HIMATETA), Badan Eksekutif Mahasiswa Fakultas Teknologi Pertanian (BEM-F), Himpunan Mahasiswa Daerah (OMDA) Tasikmalaya dan mengikuti kepanitiaan yang diadakan oleh mahasiswa atau umum.
KATA PENGANTAR
Alhamdulillah, puji syukur hanya kepada Allah SWT, sang pencipta yang patut disembah, atas segala rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan skripsi ini.
Dengan segala kerendahan hati, pada kesempatan ini penulis ingin menyampaikan terima kasih kepada :
1. Prof. Dr. Ir. Atjeng M Syarief, M.SAE dan Dr. Ir. Sutrisno, M.Agr, selaku dosen pembimbing yang telah memberikan pengarahan, bimbingan, saran dan bantuan selama penelitian dan penyusunan skripsi.
2. Dr. Ir. I Wayan Astika, M.Si, selaku dosen penguji atas kesediaannya untuk menguji dan memberikan masukan untuk perbaikan skripsi.
3. Bapak Sulyaden yang telah banyak membantu selama penelitian di laboratorium. 4. Orang tua tercinta, adik, dan bunda atas doa, dukungan dan kasih sayang yang
tercurah.
5. Seluruh rekan-rekan Teknik Pertanian angkatan 42 yang telah memberikan bantuan, semangat dan motivasi kepada penulis.
6. Pihak-pihak yang tidak bisa penulis sebutkan satu-persatu.
Akhirnya kritik dan saran sangat penulis harapkan demi perbaikan tulisan selanjutnya dan semoga skripsi ini dapat memberikan manfaat bagi mahasiswa TEP dan IPB pada khususnya dan masyarakat pada umumnya serta mendapat ridho dari Allah SWT.
Bogor, Januari 2010
ii D. PENGOLAHAN CITRA UNTUK PENDUGAAN MUTU PADA
KOMODITAS PERTANIAN ... 10 III. METODOLOGI PENELITIAN ... 13 A. WAKTU DAN TEMPAT PENELITIAN ... 13 B. BAHAN DAN ALAT ... 13 1. Bahan ... 13 2. Alat ... 13 C. METODE PENELITIAN ... 14 IV. HASIL DAN PEMBAHASAN ... 21
A. PEMROGAMAN VISUAL BASIC 6.0 UNTUK MENENTUKAN
MUTU BUAH NAGA ... 21 B. PEMUTUAN BUAH NAGA DENGAN METODE PENGUKURAN
Halaman
5. Penentuan Mutu Berdasarkan Total Padatan Terlarut Buah ... 30 C.PARAMETER MUTU BUAH NAGA DENGAN METODE
PENGOLAHAN CITRA ... 31 1. Penentuan Mutu Berdasarkan Area Buah ... 31 2. Penentuan Mutu Berdasarkan Panjang Buah ... 33 3. Penentuan Mutu Berdasarkan Diameter Buah ... 34 4. Penentuan Mutu Berdasarkan Ferets Diameter Buah ... 36 5. Penentuan Mutu Berdasarkan Faktor Bentuk (Roundness) ... 37 6. Penentuan Mutu Berdasarkan Warna Buah ... 38 D.KORELASI PARAMETER MUTU METODE PENGUKURAN
LANGSUNG DENGAN METODE PENGOLAHAN CITRA ... 41 1. Korelasi Parameter Berat dengan Area Hasil Pengolahan Citra ... 41 2. Korelasi Parameter Diameter Aktual dengan Diameter Hasil Pengolahan Citra ... 42 3. Korelasi Parameter Panjang Aktual dengan Panjang Hasil Pengolahan Citra ... 43 4. Korelasi Parameter Kekerasan Buah dengan Komponen Warna Buah
Hasil Pengolahan Citra ... 44 5. Korelasi Parameter Total Padatan Terlarut dengan Komponen Warna
Buah Hasil Pengolahan Citra ... 46 E.VALIDASI UNTUK PEMUTUAN BUAH NAGA... 48 1. Validasi Pemutuan Berdasarkan Diameter Buah Naga ... 48 2. Validasi Pemutuan Berdasarkan Area Buah Naga ... 49 3. Validasi Pemutuan Berdasarkan Gabungan Antara Diameter dan
iv DAFTAR TABEL
Halaman Tabel 1. Komposisi gizi per 100 gram daging buah naga ... 5 Tabel 2. Model warna dan deskripsinya ... 9 Tabel 3. Hasil perhitungan statistik pada parameter berat buah naga ... 24 Tabel 4. Hasil perhitungan statistik pada parameter panjang buah naga ... 25 Tabel 5. Hasil perhitungan statistik pada parameter diameter buah naga ... 27 Tabel 6. Hasil perhitungan statistik pada parameter kekerasan buah naga ... 29
Tabel 7. Hasil perhitungan statistik pada parameter total padatan terlarut
buah naga ... 30 Tabel 8. Hasil perhitungan statistik pada parameter area buah naga
hasil pengolahan citra ... 32 Tabel 9. Hasil perhitungan statistik pada parameter panjang buah naga hasil
pengolahan citra ... 34 Tabel 10. Hasil perhitungan statistik pada parameter diameter buah naga hasil
pengolahan citra ... 35 Tabel 11. Hasil perhitungan statistik pada parameter ferets diameter buah naga hasil pengolahan citra ... 36 Tabel 12. Hasil perhitungan statistik pada parameter roundness buah naga
DAFTAR GAMBAR
Halaman Gambar 1. Buah Naga (Dragon fruit, asianleng.blogspot.com ) ... 3 Gambar 2. Elemen-elemen dari sistem image processing (Arymurthy dan Suryana,
1992)... 8 Gambar 3. Perangkat keras pengolah citra (Ahmad, 2005) ... 15 Gambar 4. Pengukuran berat buah naga dengan menggunakan timbangan digital . 17 Gambar 5. (a) Pengukuran panjang buah naga dengan menggunakan
jangka sorong ... 18 (b) Pengukuran diameter buah naga dengan menggunakan
jangka sorong ... 18 Gambar 6. Pengukuran kekerasan buah naga dengan menggunakan Rheometer .... 18 Gambar 7. (a) Pengukuran total padatan terlarut buah naga dengan menggunakan Refraktometer ... 19
(b) Buah naga yang telah diambil daging buahnya pada bagian
ujung, tengah dan pangkal untuk pengukuran TPT ... 19 Gambar 8. Diagram Alir Pelaksanaan Penelitian ... 20 Gambar 9. Tampilan program setelah dieksekusi ... 21 Gambar 10. Operasi thresholding dan reduksi noise ; (a) citra buah naga, (b) citra hasil thresholding, (c) citra hasil reduksi noise. ... 23 Gambar 11. Grafik sebaran berat buah naga mutu A, mutu B dan mutu C ... 25 Gambar 12. Grafik sebaran panjang buah naga mutu A, mutu B dan mutu C... 26 Gambar 13. Grafik sebaran diameter buah naga mutu A, mutu B dan mutu C ... 28 Gambar 14. Grafik sebaran kekerasan buah naga mutu A, mutu B dan mutu C ... 29 Gambar 15. Grafik sebaran total padatan terlarut buah naga mutu A, mutu B
dan mutu C ... 31 Gambar 16. Grafik sebaran area hasil pengolahan citra buah naga mutu A,
vi Halaman
Gambar 17. Grafik sebaran panjang hasil pengolahan citra buah naga mutu A,
mutu B dan mutu C ... 34 Gambar 18. Grafik sebaran diameter hasil pengolahan citra buah naga mutu A, mutu B dan mutu C ... 35 Gambar 19. Grafik sebaran ferets diameter hasil pengolahan citra buah naga
mutu A, mutu B dan mutu C ... 37 Gambar 20. Grafik sebaran roundness hasil pengolahan citra buah naga mutu A, mutu B dan mutu C ... 38 Gambar 21. Grafik sebaran komponen warna merah hasil pengolahan citra buah naga mutu A, mutu B dan mutu C... 39 Gambar 22. Grafik sebaran komponen warna hijau hasil pengolahan citra buah naga mutu A, mutu B dan mutu C... 39 Gambar 23. Grafik sebaran komponen warna biru hasil pengolahan citra buah
naga mutu A, mutu B dan mutu C... 41 Gambar 24. Grafik hubungan antara area buah naga menggunakan cara
pengolahan citra dengan berat buah naga ... 42 Gambar 25. Grafik hubungan antara diameter perhitungan menggunakan cara
pengolahan citra dengan diameter aktual ... 43 Gambar 26. Grafik hubungan antara panjang perhitungan menggunakan cara
pengolahan citra dengan panjang aktual ... 44 Gambar 27. Grafik hubungan antara komponen warna merah citra buah naga
dengan kekerasan buah naga ... 45 Gambar 28. Grafik hubungan antara komponen warna hijau citra buah naga
dengan kekerasan buah naga ... 45 Gambar 29. Grafik hubungan antara komponen warna biru citra buah naga
dengan kekerasan buah naga ... 46 Gambar 30. Grafik hubungan antara komponen warna merah citra buah naga
dengan total padatan terlarut buah naga ... 47 Gambar 31. Grafik hubungan antara komponen warna hijau citra buah naga
Halaman
Gambar 32. Grafik hubungan antara komponen warna biru citra buah naga
viii DAFTAR LAMPIRAN
Halaman Lampiran 1. Data pengukuran berat buah naga mutu A ... 57 Lampiran 2. Data pengukuran berat buah naga mutu B... 59 Lampiran 3. Data pengukuran berat buah naga mutu C... 61 Lampiran 4. Data pengukuran manual dimensi buah naga mutu A ... 63 Lampiran 5. Data pengukuran manual dimensi buah naga mutu B ... 65 Lampiran 6. Data pengukuran manual dimensi buah naga mutu C ... 67 Lampiran 7. Data pengukuran kekerasan buah naga mutu A ... 69 Lampiran 8. Data pengukuran kekerasan buah naga mutu B... 71 Lampiran 9. Data pengukuran kekerasan buah naga mutu C... 73 Lampiran 10. Data pengukuran total padatan terlarut buah naga mutu A ... 75 Lampiran 11. Data pengukuran total padatan terlarut buah naga mutu B ... 77 Lampiran 12. Data pengukuran total padatan terlarut buah naga mutu C ... 79 Lampiran 13. Data pengukuran panjang, diameter, area, ferets diameter dan
roundness buah naga mutu A ... 81
Lampiran 14. Data pengukuran panjang, diameter, area, ferets diameter dan
roundness buah naga mutu B ... 83
Lampiran 15. Data pengukuran panjang, diameter, area, ferets diameter dan
roundness buah naga mutu C ... 85
