Pemilihan parameter pengolahan citra yang optimal untuk penghitungan benih dan telur ikan

PEMILIHAN PARAMETER PENGOLAHAN CITRA YANG

OPTIMAL UNTUK PENGHITUNGAN BENIH DAN TELUR IKAN

FAJAR MULYANTI

DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM FAKULTAS TEKNOLOGI PERTANIAN

INSTITUT PERTANIAN BOGOR BOGOR

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Pemilihan Parameter Pengolahan Citra yang Optimal untuk Penghitungan Benih dan Telur Ikan adalah benar karya saya dengan arahan dari Dosen Pembimbing Dr Ir I Wayan Astika, M.Si dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.

Bogor, Oktober 2013

ABSTRAK

FAJAR MULYANTI. Pemilihan Parameter Pengolahan Citra yang Optimal untuk Penghitungan Benih dan Telur Ikan. Dibimbing oleh I WAYAN ASTIKA.

Tujuan penelitian ini adalah menentukan parameter pengolahan citra yaitu batas thresholding dan luasan citra bergerombol ikan yang optimal untuk melakukan penghitungan benih ikan dengan pengolahan citra. Nilai threshold ditentukan dengan dua cara yaitu: 1) Menggunakan persentil grey scale citra benih ikan dan 2) Menunjuk warna patokan citra benih ikan. Nilai persentil threshold untuk benih ikan gurame gabah adalah 75, benih lele 3-4 cm, benih nila 1 cm, dan benih patin 1" adalah 70, benih ikan mas 5 cm dan gurame kuku adalah 50, telur gurame adalah 90, dan benih nila merah adalah 25. Rasio luas benih ikan bergerombol dengan luas rata-rata satu ekor benih ikan memiliki nilai yang berbeda-beda untuk setiap jenis ikan. Rasio telur ikan yang bergerombol cenderung lebih besar daripada rasio benih ikan yang bergerombol. Metode menentukan nilai threshold dengan persentil grey scale menghasilkan akurasi penghitungan pada benih ikan lele 90.07%, patin 1" 84.75%, gurame kuku 86.11%, gurame gabah 86.09% dan telur gurame 83.33%. Penentuan threshold dengan menunjuk warna citra ikan menghasilkan akurasi pada benih ikan nila sebesar 93.33%, patin 1" 90.00%, lele 80.65%, gurame kuku 93.29%, gurame kwaci 89.82%, gurame gabah 84.90%, dan telur gurame 91.72%.

Kata kunci : penghitungan benih ikan, pengolahan citra

ABSTRACT

FAJAR MULYANTI. Determining Optimal Image Processing Parameters for Counting of Fish Jouveniles and Fish Eggs. Supervised by I WAYAN ASTIKA.

The aim of this research is to determine the optimal image processing parameters consisting of thresholding level and ratio of fish school area in order to count the number of fish jouveniles or eggs with image processing method. The thresholding level was determined with two methods: 1) Percentile of fish image grey scale, and 2) Pointing the fish image color. The percentile threshold value for 0.5 cm gouramy was 75, 3-4 cm catfish, 1 cm tilapia, and 1″ pangasius were 70, 5 cm carp and 1 cm gouramy were 50, eggs of gouramy was 90, and 3 cm red tilapia was 25. Ratio area of jouveniles fish school with average area of one jouvenile has different value depent on the fish type. Ratio of fish school eggs was bigger than fish school. Percentile of grey scale threshold showed accuracy for jouveniles of catfish was 90.07%, 1″ pangasius was 84.75%, 1 cm gouramy 86.11%, 0.5 cm gouramy was 86.09%, and eggs of gouramy was 91.72%. Fish image color threshold showed accuracy for jouveniles of tilapia was 93.33%, 1″ pangasius was 90.00%, catfish was 80.65%, 1 cm gouramy was 93.29%, 0.75 cm gouramy was 89.82%, 0.5 cm gouramy was 84.90%, and eggs of gouramy was 91.72%.

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Teknologi Pertanian

pada

Departemen Teknik Mesin dan Biosistem

PEMILIHAN PARAMETER PENGOLAHAN CITRA YANG

OPTIMAL UNTUK PENGHITUNGAN BENIH DAN TELUR IKAN

FAJAR MULYANTI

TEKNIK MESIN DAN BIOSISTEM FAKULTAS TEKNOLOGI PERTANIAN

INSTITUT PERTANIAN BOGOR BOGOR

Judul Skripsi : Pemilihan Parameter Pengolahan Citra yang Optimal untuk Penghitungan Benih dan Telur Ikan

Nama : Fajar Mulyanti NIM : F14090047

Disetujui oleh

Dr Ir I Wayan Astika, M.Si Pembimbing

Diketahui oleh

Dr Ir Desrial, M.Eng Ketua Departemen

PRAKATA

Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian ini ialah pengolahan citra, dengan judul Pemilihan Parameter Pengolahan Citra yang Optimal untuk Penghitungan Benih dan Telur Ikan.

Terima kasih penulis ucapkan kepada Dr Ir I Wayan Astika, M.Si selaku dosen pembimbing yang telah banyak memberi saran, arahan, dukungan dan bimbingan selama penelitian dan pembuatan skripsi serta kepada Dr Ir Emmy Darmawati, M.Si dan Dr Liyantono, S.TP, M.Agr selaku dosen penguji yang telah memberikan saran dan masukan. Ungkapan terima kasih juga penulis sampaikan kepada Ayah, Ibu, Adi, Aas, Satria, Anggit, Paklik AF Subagyo, Bulik Parminah, Paklik Rohmat IM, serta Ilham atas segala doa, bantuan, dan kasih sayangnya. Penulis juga mengucapkan terima kasih kepada Nuzul, Naila, Wenny, Gde, Desi, Kurnia, Adit, Rusnadi, Heri, Iqbal, dan semua teman-teman TEP 46 atas dukungan, bantuan dan semangatnya. Di samping itu, penulis juga mengucapkan terima kasih kepada teknisi Pak Gozali, Pak Kodir, dan Pak Andri yang telah membantu selama pengambilan data.

Semoga karya ilmiah ini bermanfaat.

DAFTAR ISI

DAFTAR TABEL vi

DAFTAR GAMBAR vii

DAFTAR LAMPIRAN viii

PENDAHULUAN 1

Latar Belakang 1

Tujuan Penelitian 2

METODE PENELITIAN 3

Waktu dan Tempat 3

Alat 3

Bahan 3

Prosedur Penelitian 3

HASIL DAN PEMBAHASAN 5

Karakteristik Sebaran Warna Citra 5 Penentuan Batas Thresholding 7 Rasio Luas Ikan Bergerombol 12

Pengujian Program 16

SIMPULAN DAN SARAN 23

Simpulan 23

Saran 24

DAFTAR PUSTAKA 24

LAMPIRAN 25

DAFTAR TABEL

1 Karakteristik grey scale beberapa citra benih ikan patin 1" dan nampan 7 2 Sebaran warna grey scale benih ikan gurame 8 3 Nilai threshold pada citra benih ikan gerame gabah 11 4 Persentil nilai threshold beberapa jenis ikan 12 5 Contoh beberapa bentuk benih ikan lele bergerombol 13 6 Rasio luas benih ikan bergerombol dengan luas satu ekor benih ikan 15 7 Akurasi pengujian program penghitung ikan 19 8 Akurasi pengujian program penghitung benih ikan gurame nguku 22

DAFTAR GAMBAR

1 Nampan dengan tepi berbentuk lengkung 4 2 Contoh beberapa ikan yang bergerombol 4 3 Histogram sebaran grey scale benih ikan gurame dan nampan 5 4 Benih ikan patin ukuran 1" pada pencahayaan gelap dan terang 6 5 Histogram sebaran grey scale piksel-piksel di dalam nampan 6

6 Benih gurame ukuran gabah 8

7 Histogram sebaran grey scale benih ikan gurame 9 8 Histogram sebaran grey scale pada satu nampan 10 9 Contoh hasil thresholding pada beberapa persentil nilai threshold 11 10 Tampilan program penghitungan luas benih ikan 14 11 Contoh benih ikan yang bergerombol pada bagian pinggir 16 12 Contoh telur gurame yang bergerombol empat dan tiga ekor 16 13 Tampilan program penghitungan benih ikan 17 14 Hasil penghitungan benih ikan lele 18 15 Hasil penghitungan pada citra dengan ikan yang berada di pinggir nampan 18 16 Tampilan program pengolahan citra 21

DAFTAR LAMPIRAN

30

PENDAHULUAN

Latar Belakang

Usaha pembenihan ikan berperan penting dalam menjamin keberlangsungan usaha pembesaran. Mutu benih yang dihasilkan merupakan hal penting dalam upaya memenangkan persaingan pasar. Harga jual benih umumnya ditentukan per ekor benih, sehingga dalam pemasaran diperlukan kegiatan penghitungan benih. Para petani ikan umumnya masih menggunakan cara manual untuk menghitung dan menentukan ukuran benih ikan. Metode penghitungan yang digunakan yaitu dengan kelipatan lima, benih ikan dihitung setiap lima ekor. Penghitungan dan penentuan ukuran secara manual memerlukan konsentrasi yang cukup tinggi, tenaga kerja yang banyak, waktu yang lama, dan melelahkan sehingga sering menyebabkan kesalahan. Menurut Seminar (2000), perhitungan bibit ikan yang dilakukan secara manual memiliki banyak kelemahan, antara lain: subyektifitas perhitungan, waktu yang lambat, kelelahan dalam perhitungan, dan akurasi yang tidak memadai khususnya untuk menghitung bibit ikan dalam jumlah yang besar. Kesalahan penghitungan secara manual dapat mencapai 10% untuk setiap penghitungan sebanyak 1000 ekor bibit (Seminar, 1998 dalam Seminar, 2000).

Seminar (2000) membuat desain alat penghitung bibit ikan dengan multisensor paralel. Desain fungsional alat penghitung bibit ikan dengan multisensor dikembangkan dari alat penghitung dengan sensor tunggal dengan mereplikasi penyaluran keluaran ikan dan sistem sensor, serta menambahkan komponen fungsional penjumlah (adder). Prinsip kerja dari alat penghitung ikan ini yaitu ikan yang akan dihitung dialirkan melalui pipa yang transparan sehingga kehadiran ikan pada pipa dapat terdeteksi satu persatu oleh sensor yang dipasang pada pipa penyaluran. Hasil dari pembacaan sensor tersebut kemudian dijumlahkan secara paralel untuk memperoleh hasil perhitungan. Pengujian performansi alat penghitung dengan multisensor paralel belum dilaksanakan sehingga belum diketahui seberapa besar akurasi, kecepatan perhitungan, dan keamanan bagi ikan.

2

mampu menanggulangi cacat pada citra objek pengolahan akibat riak air, belum mampu mengenali dan memisahkan objek ikan lele yang bersinggungan.

Adhi (2011) menggunakan pengolahan citra dan metode timbang untuk menghitung benih lele. Pengambilan citra menggunakan sebuah alat yang terdiri dari wadah penampung ikan, kerangka meja wadah, dan dudukan kamera. Cara kerja dari alat yaitu benih dituang dalam wadah kemudian diambil gambarnya oleh kamera digital dan menyimpannya dalam bentuk JPEG. Citra tersebut kemudian dipindahkan ke komputer untuk selanjutnya diolah dengan program Visual Basic 6.0 agar didapatkan area citra benih ikan. Pengambilan citra dilakukan pada waktu 5 detik, 10 detik, dan 15 detik setelah benih dituang ke dalam wadah. Waktu yang terbaik untuk melakukan pengambilan citra yaitu saat benih berada dalam wadah dalam selang waktu 5 detik. Hasil perhitungan jumlah benih dengan pengukuran berat benih mempunyai akurasi yang cukup tinggi dengan error rata-rata 3.5%, sedangkan hasil perhitungan jumlah benih ikan melalui sistem simulasi memiliki error rata-rata 2.3%. Kelemahan pada sistem ini antara lain: masih adanya bayangan yang ikut serta dalam wadah yang tidak terhapus saat dilakukan thresholding sehingga perlu adanya pengkondisian cahaya, dan sistem belum mampu memisahkan secara detil objek yang berhimpitan.

Kendala yang menyebabkan rendahnya akurasi pada penelitian sebelumnya yaitu cahaya yang menyebabkan adanya bayangan dalam wadah sehingga mempengaruhi thresholding, dan sistem belum mampu memisahkan secara detil objek yang berhimpitan. Oleh karena itu, perlu adanya pengembangan metode penghitungan benih ikan dengan pengolahan citra yang mampu mengatasi adanya efek bayangan dan dapat menghitung ikan yang berhimpitan atau bergerombol dengan metode penghitungan yang sesuai. Penelitian sebelumnya diterapkan pada jenis ikan lele sehingga pada penelitian ini dilakukan pengembangan dengan menerapkan metode panghitungan pada jenis ikan yang lebih beragam.

Astika dkk (2013) melakukan pengembangan penelitian dengan metode pengolahan citra untuk menghitung dan menentukan ukuran telur dan benih ikan. Citra yang diambil pada telur dan benih ikan diolah dalam program Visual Basic. Proses thresholding diterapkan untuk menghilangkan bayangan objek dan nampan serta kotoran yang ada pada nampan. Setiap penghitungan didahului oleh langkah kalibrasi, sejumlah telur atau benih diproses untuk mengetahui ukuran gambar rata-rata benih ikan atau telur. Akurasi sangat tergantung pada kondisi pencahayaan objek. Kondisi pencahayaan yang berbeda membutuhkan nilai optimum yang berbeda dari parameter thresholding, sehingga sulit untuk menetapkan nilai konstan parameter. Keakuratan penghitungan telur jauh lebih baik daripada benih ikan karena ukuran, warna, dan posisi relatif konsisten. Penelitian yang dilakukan menerapkan beberapa metode yang telah dikembangkan pada penelitian yang telah dilakukan olah Astika (2013).

Tujuan

3

METODE PENELITIAN

Waktu dan Tempat

Penelitian dilaksanakan pada bulan April 2013 – September 2013 bertempat di Bagian Teknik Biosistem, Departemen Teknik Mesin dan Biosistem, IPB, dan Desa Putat Nutug, Kecamataan Ciseeng, Bogor.

Alat

Alat yang digunakan dalam penelitian adalah telepon seluler, laptop, kamera digital, luxmeter, nampan, serokan ikan, ember, Microsoft Excel dan software Microsoft Visual Basic.

Bahan

Bahan yang digunakan berupa benih ikan lokal dengan beberapa grade, jumlah benih yang digunakan dalam sekali pengambilan citra 30 - 100 ekor untuk setiap jenis ikan dan setiap gradenya. Beberapa jenis dan ukuran (grade) benih ikan yang digunakan adalah:

1. Benih ikan lele ukuran: 3- 4 cm, 5-6 cm, dan 7-8 cm 2. Benih ikan nila ukuran: 1 cm dan 3-5 cm

3. Benih ikan mas ukuran: 5 cm

4. Benih ikan gurame ukuran: larva, gabah, kwaci, kuku 5. Telur gurame

6. Benih ikan patin ukuran: 0.5 ꞌꞌ dan 1 ꞌꞌ

Prosedur Penelitian

Langkah-langkah yang dilakukan dalam penelitian ini mencakup beberapa tahapan yaitu identifikasi masalah, perancangan, dan pengambilan data.

1. Identifikasi masalah

Penelitian diawali dengan melakukan identifikasi terhadap permasalahan yang terjadi di lapangan. Ukuran benih yang umum diperjualbelikan beragam mulai dari telur (ikan gurame), larva, sampai pada ukuran tertentu. Permasalahan yang ditemukan adalah penghitungan benih ikan yang dilakukan secara manual membutuhkan waktu lama dan akurasi yang rendah. Penelitian yang sudah dilakukan sebelumnya tentang penghitungan benih ikan dengan pengolahan citra mempunyai kelemahan yaitu pengaruh cahaya yang menimbulkan bayangan pada tepi wadah dan sistem belum mampu memisahkan objek yang berhimpitan.

2. Perancangan

4

dihasilkan tidak terlalu kecil sehingga mudah untuk dilakukan pengolahan citra. Nampan yang digunakan berwarna putih agar warna objek pada citra yang dihasilkan kontras dengan warna latar. Faktor cahaya yang menyebabkan bayangan di tepi wadah dapat diatasi dengan mendesain nampan yang lengkung pada bagian tepi (Gambar 1). Faktor cahaya yang menyebabkan kecerahan citra tidak stabil dapat diatasi dengan memainkan nilai threshold.

Gambar 1 Nampan dengan tepi berbentuk lengkung

Kendala berupa adanya ikan yang bergerombol (Gambar 2) dapat diatasi dengan mengetahui luas ikan per ekor dan luas ikan yang bergerombol sehingga dapat diketahui rasio luas ikan bergerombol dengan luas satu ekor ikan. Penghitungan rasio luas ikan yang bergerombol dengan jumlah satu ekor ikan dilakukan pada setiap jenis ikan agar dapat diketahui karakteristik rasio luas ikan pada setiap jenis ikan dan dapat dipilih nilai rasio luas yang optimal yang dapat digunakan untuk semua jenis ikan.

Gambar 2 Contoh beberapa ikan yang bergerombol 3. Pengambilan data

Pengambilan citra dilakukan pada kondisi pencahayaan alami tanpa adanya pengkondisian cahaya. Hal tersebut bertujuan agar program yang dirancang nantinya dapat diterapkan di lapangan. Pengambilan data berupa citra ikan dilakukan pada pagi hari pk 08.00

5 nampan dan pengambilan citra dilakukan secara tampak atas dari nampan. Pengambilan citra dilakukan dengan menggunakan kamera telepon seluler dan kamera digital. Citra digital yang dihasilkan kemudian disimpan dalam format JPEG dengan ukuran 640 x 480.

HASIL DAN PEMBAHASAN

Karakteristik Sebaran Warna Citra

Data berupa citra digital yang dihasilkan kemudian diolah dengan program Visual Basic 6.0 untuk mengetahui nilai RGB dan grey citra. Nilai RGB dan grey dari citra ikan dalam satu nampan tersebut kemudian diolah dengan program Excel untuk mengetahui sebaran warna dalam bentuk histogram sebaran grey scale. Histogram sebaran grey scale memperlihatkan sebaran grey dari dua objek yaitu warna latar (nampan) dan warna benih ikan. Contoh histogram sebaran warna citra pada benih ikan gurame ukuran kuku dan nampan dapat dilihat pada Gambar 3. Berdasarkan histogram tersebut dapat dilihat bahwa warna grey pada citra tersebar pada nilai 19 – 255. Frekuensi tertinggi terjadi pada selang nilai grey 175.5 – 188.5 yang merupakan piksel latar.

Gambar 3 Contoh histogram sebaran grey scale citra benih ikan gurame dan nampan

6

(a). Pencahayaan gelap (778 lux) (b). Pencahayaan terang (900 lux) Gambar 4 Benih ikan patin ukuran 1" pada pencahayaan gelap dan terang

(a) Sebaran warna pada pencahayaan gelap (778 lux)

7 Gambar 5 (a) diambil pada tingkat iluminansi cahaya 778 lux sedangkan Gambar 5 (b) diambil pada tingkat iluminansi cahaya 900 lux. Citra yang dihasilkan pada tingkat iluminansi yang lebih terang menyebabkan frekuensi puncak bergeser ke arah grey yang lebih besar (lebih terang).

Karakteristik yang dapat digunakan sebagai acuan pada histogram sebaran warna yaitu nilai minimal, maksimal, rata-rata, dan frekuensi terbanyak. Citra yang dihasilkan dari jenis benih ikan yang sama dan kisaran intensitas cahaya yang sama menghasilkan karakteristik sebaran warna yang berbeda. Tabel 1 menunjukan karakteristik sebaran grey scale pada benih ikan patin ukuran 1" berupa nilai grey minimal, maksimal, rata-rata, dan frekuensi terbanyak.

Tabel 1 Contoh karakteristik grey scale beberapa citra benih ikan patin 1" dan nampan

Citra yang diambil pada tingkat iluminansi lebih besar menunjukkan grey rata-rata yang lebih besar dan frekuensi terbanyak berada pada selang nilai yang lebih besar (lebih terang). Perbedaan karakteristik sebaran grey scale disebabkan citra yang dihasilkan tidak konsisten. Citra yang tidak konsisten dipengaruhi oleh nilai iluminansi cahaya yang berubah-ubah, dan fokus dari kamera. Posisi benih yang berubah-ubah juga menyebabkan citra yang dihasilkan tidak sama. Pengambilan citra dilakukan pada pencahayaan alami yaitu di ruang terbuka dengan naungan tanpa adanya pengkondisian cahaya sehingga tingkat iluminansi pada kisaran intensitas yang sama tidak konstan.

Penentuan Batas Thresholding

Proses thresholding diperlukan untuk memisahkan objek (benih ikan) dengan latar, sehingga dapat mengetahui luas piksel objek. Pada proses thresholding piksel benih ikan diubah menjadi hitam (grey 0) dan piksel latar diubah menjadi putih (grey 255). Nilai thresholding diprediksi menggunakan dua cara yaitu menetukan persentil grey scale dan menunjuk warna patokan citra ikan.

Cara 1: Menentukan Persentil Grey Scale sebagai Batas Threshold

8

berdasarkan batas warna ikan yang diterapkan pada benih ikan gurame ukuran gabah dapat dilihat pada Gambar 6, 7, dan 8 dibawah.

Gambar 6 Benih gurame ukuran gabah

Sebaran warna benih gurame yang digunakan untuk menentukan batas threshold dapat dilihat pada Tabel 2 dan Gambar 8.

9

Gambar 7 Histogram sebaran grey scale dari citra benih ikan gurame Nilai threshold dicoba pada persentil 20, 75, dan 95. Nilai threshold pada persentil 20, 75, dan 95 diterapkan sebagai nilai threshold pada citra seluruh nampan. Untuk mengetahui persentil threshold yang paling optimal dari ketiga nilai persentil tersebut maka dilakukan pengujian proses thresholding pada citra seluruh nampan dengan nilai-nilai persentil tersebut. Nilai yang menunjukkan hasil thresholding terbaik dipilih sebagai nilai persentil thresholding yang optimal. Kriteria hasil thresholding citra benih ikan yang baik adalah setiap ekor benih dapat dikenali sebagai piksel ikan dan latar tidak ikut terbaca sebagai piksel ikan. Contoh hasil threshold dengan menggunakan nilai threshold pada persentil 20, 75, dan 95 dapat dilihat pada Gambar 8.

nilai threshold optimal

persentil 75

persentil 95 persentil 20

selang nilai threshold

10

(a) Nilai threshold dengan persentil 20

(b) Nilai threshold dengan persentil 75

(c) Nilai threshold dengan persentil 95

Gambar 8 Contoh hasil thresholding pada beberapa persentil grey scale sebagai threshold

11 thresholding seluruh piksel termasuk piksel citra nampan dapat dilihat pada Gambar 9.

Gambar 9 Histogram sebaran grey scale dari citra seluruh nampan

Nilai threshold pada persentil 75 tersebut digunakan sebagai nilai threshold pada beberapa citra seluruh nampan sehingga menghasilkan nilai persentil citra seluruh nampan. Persentil citra seluruh nampan yang dihasilkan pada beberapa citra memiliki perbedaan (Tabel 3). Perbedaan tersebut disebabkan citra yang dihasilkan tidak konsisten pada setiap pengambilan citra. Citra yang tidak konsisten disebabkan oleh kondisi pencahayaan tidak konstan. Pada objek yang lebih cerah ikan maupun nampan menunjukkan nilai grey yang lebih besar sehingga frekuensi tertinggi berada pada selang nilai grey yang besar.

Tabel 3 Nilai threshold pada citra benih ikan gurame gabah Gambar Iluminansi

12

menggunakan persentil nilai threshold citra benih ikan dapat dilihat pada Lampiran 1.

Tabel 4. Persentil nilai threshold optimal beberapa jenis ikan Jenis ikan Persentil

Telur gurame mempunyai persentil threshold yang tinggi hal tersebut disebabkan telur gurame berwarna cerah dan piksel ikan gurame berada pada nilai grey yang besar. Benih ikan lele 3-4 cm, nila 1 cm, dan patin 1" mempunyai karakteristik citra yang tidak jauh berbeda sehingga mempunyai persentil threshold yang sama. Benih ikan mas dan gurame kuku mempunyai warna yang lebih gelap dari benih ikan nila, lele, dan patin sehingga mempunyai persentil threshold yang lebih kecil. Benih ikan nila merah mempunyai warna cerah pada sebagian besar tubuhnya sehingga pada saat dilakukan thresholding sulit teridentifikasi dengan baik antara ikan dengan nampan. Oleh karena itu dipilih nilai persentil threshold 25 sehingga hasil thresholding pada benih nila merah menyisakan piksel bagian mata ikan yang berwarna hitam. Piksel mata ikan mempunyai persentase yang kecil dari seluruh citra benih nila merah sehingga berada pada persentil rendah.

Cara 2: Menunjuk Warna Patokan Citra Ikan

Nilai threshold ditentukan berdasarkan warna piksel citra ikan yang menjadi patokan pada proses kalibrasi. Pada proses kalibrasi citra ikan diklik sehingga diperoleh RGB piksel tersebut (Rp, Gp, Bp). Citra ikan berada pada

selang tertentu dari piksel patokan tersebut, di luar selang tersebut maka dianggap latar belakang (nampan). Selang atau jarak patokan yang ditentukan pada program penghitungan benih ikan yang telah dibuat oleh Astika (2013) adalah 50.

- Jika jarak warna (R) > jarak patokan (Jp), dianggap sebagai warna nampan.

- Jika jarak warna (R) ≤ jarak patokan (Jp), dianggap sebagai warna ikan.

- Jarak warna ditentukan berdasarkan persamaan :

√( ) ( ) ( ) ... (1)

Keterangan:

R = jarak warna

Ri, Gi, Bi = nilai RGB piksel yang diprediksi

13

Rasio Luas Ikan Bergerombol

Ikan yang bergerombol sering menyebabkan masalah pada proses penghitungan. Piksel beberapa ikan yang bergerombol menjadi satu, sehingga ketika dilakukan proses thresholding menghasilkan piksel hitam yang besar. Sedangkan piksel satu ekor ikan yang terpisah ketika dilakukan thresholding menghasilkan piksel hitam yang kecil. Tabel 5 menunjukkan beberapa contoh ikan yang bergerombol.

Tabel 5. Contoh beberapa bentuk benih ikan lele bergerombol Gerombol 1

Hasil thresholding

Gerombol 2

Hasil thresholding

Gerombol 3

Hasil thresholding

Gerombol 4

14

Berdasarkan pada penelitian yang telah dilakukan oleh Astika dkk (2013), jumlah benih dari sekelompok benih ikan yang bergerombol diprediksi berdasarkan luas dari sekelompok piksel hitam tersebut. Hasil penghitungan yaitu akumulasi dari jumlah semua kelompok piksel. Luas rata-rata dari satu ekor ikan perlu diketahui untuk menentukan rasio luas sekelompok benih ikan pada jumlah tertentu yang bergerombol dengan luas satu ekor benih ikan.

Luas citra dari satu ekor benih ikan dan benih ikan yang bergerombol dapat diketahui dengan program Visual Basic. Tampilan program penghitungan luas dapat dilihat pada Gambar 10.

Gambar 10 Tampilan program penghitungan luas citra benih ikan

Gambar di atas menunjukkan contoh program yang diterapkan untuk menghitung luas pada benih ikan lele ukuran 4-6 cm. Program pengolahan citra yang dibuat terdiri dari proses thresholding untuk kalibrasi dan proses penghitungan luas objek, keliling, dan rasio antara luas dengan keliling. Nilai threshold diinputkan secara manual. Proses thresholding dilakukan dengan mengklik tombol kalibrasi. Nilai thresholding yang digunakan berbeda untuk setiap jenis benih ikan berdasarkan dari hasil prediksi penentuan nilai thresholding pada metode yang telah dilakukan. Kalibrasi diperlukan untuk menentukan nilai threshold optimal dan rata-rata luas benih ikan yang digunakan sebagai dasar untuk penghitungan berikutnya. Nilai luas benih ikan per ekor dapat diketahui dengan mengklik koordinat benih tersebut berada kemudian mengklik perintah hitung sehingga tertera hasil penghitungan luas, keliling dan rasio luas dengan keliling satu ekor benih ikan.

15 benih ikan. Nilai rasio luas benih ikan yang bergerombol dengan rata-rata luas satu ekor benih ikan dari beberapa jenis ikan dapat dilihat pada Tabel 6.

16

Gambar 11 Contoh benih ikan yang bergerombol pada bagian pinggir

Gambar 12 Contoh telur gurame yang bergerombol empat dan tiga ekor

Pengujian Program

Pengujian program dilakukan setelah mengetahui rasio luasan benih ikan. Nilai rasio luasan yang diterapkan berbeda untuk setiap jenis ikan sesuai pada Tabel 6. Program penghitung benih ikan yang telah dibuat oleh Astika (2013) terdiri dari dua jenis yaitu program A dan program B. Cara kerja kedua program tersebut berbeda mengacu pada metode penentuan nilai thresholding.

Pengujian Program A

Program A menggunakan cara 1 untuk menentukan nilai threshold. Thresholding ditentukan berdasarkan persentil nilai threshold citra ikan dan dilakukan pada proses kalibrasi. Program A menggunakan persentil threshold

benih ikan yang bergerombol empat ekor

bergerombol empat butir

17 yang mengacu pada nilai persentil threshold citra benih ikan (Tabel 4). Nilai rasio luas mengacu pada Tabel 6. Tampilan program penghitungan benih ikan dapat dilihat pada Gambar 13.

Gambar 13 Tampilan program penghitungan benih ikan

18

Gambar 14 Hasil penghitungan benih ikan lele

Posisi ikan yang berada di tepi nampan menyebabkan hasil penghitungan melebihi jumlah ikan yang sebenarnya seperti pada Gambar 15. Jumlah benih 40 ekor pada program terhitung 43 ekor. Hal tersebut disebabkan terdapat benih ikan yang menempati bagian ujung nampan yang berwarna gelap sehingga bagian ujung nampan tersebut ikut terbaca sebagai piksel ikan.

Gambar 15 Hasil penghitungan pada citra dengan ikan yang berada di pinggir nampan

19 Pengujian program dilakukan pada beberapa jenis ikan, akurasi hasil penghitungan pada beberapa jenis ikan dapat dilihat pada Tabel 7.

20

Penghitungan benih lele menunjukkan akurasi tertinggi karena kecerahan citra pada benih lele relatif stabil dan bayangan pada pinggir nampan tidak terlalu berpengaruh. Akurasi yang baik juga ditunjukkan pada penghitungan telur gurame, hal tersebut disebabkan ukuran telur relatif seragam dan posisi telur dalam nampan tidak berubah ubah. Akurasi yang tidak stabil pada setiap jumlah ikan disebabkan setiap citra yang diolah mempunyai karakteristik yang berbeda. Dalam beberapa citra terdapat jumlah benih ikan yang bergerombol lebih dari empat ekor. Program yang dirancang belum mampu menghitung secara detil benih ikan yang bergerombol dalam jumlah banyak. Formulasi rasio untuk benih ikan yang bergerombol lebih dari empat ekor belum ditemukan. Pada setiap citra sulit untuk ditemukan benih ikan yang bergerombol dalam jumlah tertentu, sehingga data luas untuk benih bergerombol lebih dari empat ekor tidak mencukupi. Pengambilan citra untuk mendapatkan benih ikan yang bergerombol dalam jumlah tertentu cenderung sulit dilakukan karena posisi ikan pada nampan berubah ubah dan sulit diatur.

21

Pengujian Progran B

Program B menggunakan cara 2 dalam menentukan nilai threshold yaitu dengan mengklik citra benih ikan yang digunakan sebagai patokan sehingga diperoleh RGB piksel patokan. Pada proses thresholding program akan menelusuri setiap piksel ikan yang mempunyai warna berdekatan dengan warna benih ikan patokan. Tampilan program pengolahan citra dapat dilihat pada Gambar 16.

Gambar 16 Tampilan program pengolahan citra

Tombol klik citra ikan digunakan untuk memilih benih ikan yang digunakan sebagai patokan dalam menentukan nilai threshold, kemudian proses thresholding dilakukan pada perintah kalibrasi. Pada proses kalibrasi sejumlah benih ikan diproses untuk mengetahui ukuran rata-rata ikan. Sejumlah benih yang digunakan untuk kalibrasi ditentukan dengan mengklik tombol koordinat kalibrasi. Pada proses penghitungan program akan menelusuri setiap piksel ikan yang memenuhi kondisi jarak warna (R) ≤ jarak patokan (Jp) berdasarkan hasil

kalibrasi sehingga dihitung sebagai piksel ikan. Jarak patokan yang ditentukan pada program tersebut yaitu 50.

22

Tabel 8 Akurasi pengujian program penghitung benih ikan gurame kuku No Jumlah Ikan Hasil Penghitungan Akurasi (%)

1 10 10 100.00

Rata-rata akurasi tersebut tergolong tinggi. Pada jumlah ikan yang semakin banyak akurasi semakin kecil karena pada jumlah ikan yang banyak ikan yang bergerombol semakin banyak, sedangkan program baru dapat menghitung secara detil pada jumlah ikan yang bergerombol kurang dari empat ekor. Penghitungan benih ikan dengan program B menunjukkan akurasi yang lebih tinggi daripada nilai akurasi menggunakan program A. Dengan menggunakan nilai warna patokan benih ikan sebagai batas thresholding maka warna ikan patokan pada setiap citra akan berubah-ubah sesuai kondisi kecerahan citra sehingga batas thresholding berubah secara otomatis mengikuti perubahan warna ikan patokan.

23

SIMPULAN DAN SARAN

Simpulan

Beberapa kesimpulan yang dapat diperoleh dari penelitian ini adalah:

1. Nilai threshold ditentukan dengan dua cara yaitu menggunakan persentil grey scale citra benih ikan dan menunjuk warna patokan citra benih ikan. Jenis ikan yang berbeda mempunyai persentil nilai threshold yang berbeda karena setiap jenis ikan mempunyai karakteristik warna, bentuk, dan ukuran yang berbeda. Nilai persentil threshold untuk benih ikan gurame gabah adalah 75. Nilai persentil threshold untuk benih ikan lele 3-4 cm, nila 1 cm, dan patin 1" adalah 70. Nilai persentil threshold untuk benih ikan mas 5 cm dan gurame kuku adalah 50. Telur gurame mempunyai nilai persentil threshold 90 dan benih nila merah 3 cm mempunyai nilai persentil threshold 25.

2. Cara ke-2 yaitu dengan menunjuk warna patokan citra benih ikan sebagai nilai threshold. Nilai threshold ditentukan berdasarkan warna piksel citra ikan yang menjadi patokan pada proses kalibrasi. Pada proses kalibrasi citra ikan diklik sehingga diperoleh RGB piksel tersebut (Rp, Gp, Bp). Citra ikan berada pada selang tertentu dari piksel patokan tersebut, di luar selang tersebut maka dianggap latar belakang (nampan).

3. Rasio luas citra benih ikan yang bergerombol memiliki nilai yang berbeda-beda untuk setiap jenis ikan. Rasio telur yang bergerombol cenderung lebih besar daripada rasio benih ikan yang bergerombol.

4. Nilai persentil threshold yang ditentukan dengan cara 1 kemudian diterapkan pada program A. Penghitungan dengan program A pada benih ikan lele memiliki akurasi 90.07%, patin 1" 84.75%, gurame kuku 86.11%, gurame gabah 86.09%, dan telur gurame 83.33%.

5. Suatu program lain, yaitu program B telah dijalankan untuk menguji cara ke-2 dalam menentukan nilai threshold. Penghitungan dengan program B pada benih ikan nila memiliki akurasi 93.33%, patin 1" 90.00%, lele 80.65%, gurame kuku 93.29 %, gurame kwaci 89.82%, gurame gabah 84.90%, dan telur gurame 91.72%. Akurasi penghitungan benih ikan pada program B lebih tinggi daripada program A. Nilai threshold berdasarkan warna citra ikan patokan pada dapat berubah sesuai kondisi kecerahan citra sehingga batas thresholding berubah secara otomatis mengikuti perubahan warna citra ikan patokan.

24

Saran

Program penghitungan benih ikan yang dirancang belum mampu menghitung secara detil pada ikan yang bergerombol dengan jumlah lebih dari empat ekor sehingga diperlukan adanya pengembangan metode penghitungan benih ikan dengan pengolahan citra yang mampu menghitung secara detil piksel ikan yang bergerombol.

Tingkat kecerahan objek yang berbeda masih menjadi kendala dalam penelitian ini sehingga perlu adanya pengembangan metode penentuan nilai threshold yang sesuai dan dapat mengatasi efek pencahayaan yang tidak konstan.

DAFTAR PUSTAKA

Adhi MZ. 2011. Pengembangan Metode Penghitungan Benih Ikan Lele dengan Pengolahan Citra dan Metode Timbang [skripsi]. Bogor: Institut Pertanian Bogor.

Ahmad U. 2005. Pengolahan Citra dan Teknik Pemrograman. Yogyakarta: Graha Ilmu.

Astika IW. 2013. Pengembangan Alat Penghitung Ikan dengan Metode Pengolahan Citra: Tipe Stasioner dan Terpasang pada Telepon Seluler (Tahun ke-1). Laporan Penelitian Unggulan Strategis Nasional Kemendikbud, Lembaga Penelitian dan Pengabdian kepada Masyarakat. IPB.

Astika IW, Adhi MZ, Mulyanti F. 2013. Image Processing Method for Counting of Fish Eggs and Fish Juveniles. International Symposium on Agricultural and Biosystem Engineering, Yogyakarta Augustus 28-29, 2013.

Munir R. 2004. Pengolahan Citra Digital dengan Pendekatan Algoritmik. Bandung: Informatika.

Nugroho E, Kristanto AH. 2008. Panduan Lengkap Ikan Konsumsi Air Tawar Populer. Jakarta: Penebar Swadaya.

Prabawa S, Pramudya B, Astika IW, Setiawan RPA, Rustiadi E. 2009. Sistem Informasi Geografis dalam Pertanian Presisi Aplikasi pada Kegiatan Pemupukan di Perkebunan Tebu. Makalah pada Seminar Nasional Himpunan Informatika Pertanian Indonesia (HIPI). Bogor.

Rahmat A. 2006. Rancang Bangun Instrumen Sortir Ikan Otomatis (Automatic Fish Grading) dengan Metode Pengolahan Citra Digital. Laporan Akhir Penelitian Dosen Muda IPB. Institut Pertanian Bogor.

Saksanni R. 2008. Pemutuan dan Penghitungan Bibit Ikan Lele dengan Metode Image Processing Menggunakan Parameter Luas dan Panjang Tubuh Ikan [skripsi]. Bogor: Institut Pertanian Bogor.

Santosa. 2005. Aplikasi Visual Basic 6.0 dan Visual Studio. Net 2003 dalam Bidang Teknik dan Pertanian. Yogyakarta : ANDI.

25

26

27 Jenis ikan Ulangan Persentil

threshold

Persentil citra seluruh nampan

Iluminansi (lux)

Nila 3 cm 1 25 2 480

2 25 2 480

3 25 2 480

4 25 2 491

5 25 2 491

6 25 3 515

7 25 3 520

8 25 3 520

9 25 2 502

10 25 2 502

Patin 1" 1 70 4 778

2 70 4 778

3 70 4 778

4 70 4 790

5 70 3 790

6 70 5 845

7 70 5 900

8 70 6 957

9 70 6 957

28

Lampiran 2 Akurasi pengujian penghitung benih ikan pada bebepara jenis ikan Jenis ikan Ulangan Jumlah ikan Hasil penghitungan Akurasi %

29 Jenis ikan Ulangan Jumlah ikan Hasil penghitungan Akurasi % Gurame gabah 1 44 31 70.45

2 51 41 80.39

3 16 13 81.25

4 49 51 96.08

5 49 51 96.08

6 49 51 96.08

7 49 55 89.09

8 36 38 94.74

9 47 67 70.15

10 46 39 84.78

Rata-rata 85.90

Telur gurame 1 30 31 96.77

2 50 52 96.15

3 70 74 94.59

4 110 133 82.71

5 130 137 94.89

6 150 155 96.77

7 170 190 89.47

8 190 203 93.59

9 210 244 86.06

10 250 290 86.21

30

RIWAYAT HIDUP