PENERAPAN NILAI RATA-RATA RGB PADA APLIKASI PENGUKUR KEMATANGAN BUAH TOMAT

(1)

53

PENERAPAN NILAI RATA-RATA RGB PADA APLIKASI PENGUKUR

KEMATANGAN BUAH TOMAT

Ina Kurnia Sari(1)_{; Nur Muniroh, M.Kom}(2) *inakurniasari03@gmail.com(1)_{nurmuniroh01@gmail.com}(2)

(1)Teknik Informatika (2) STMIK Komputama Majenang

_____________________________________________________________________________________________

Abstract

Tomato is a fruit that grows in many tropical and subtropical areas. Tomatoes ripen very quickly, so improper handling can cause them to rot quickly. Distribution of tomatoes over long distances can cause quality degradation which can affect nutritional value. Farmers have many weaknesses to identify manual tomato ripeness due to factors such as fatigue, lack of motivation, experience, proficiency and so on. To solve this problem, the development of information technology allows identification of fruit maturity and even detection of fruit types with the help of computers. With the digital image, technology-based tomato maturity classification can be carried out. Therefore, in this study, the application of tomato maturity classification was carried out by applying the RGB average method to make it easier to determine the level of maturity of tomatoes. In this tomato maturity classification application, several processes are carried out, namely image reading, cropping, segmentation and RGB average calculation. There were 24 images of ripe tomatoes and 25 images of raw tomatoes used in the classification test for tomato maturity and the success rate was 95%.

Keywords: Tomato Fruit; Image processing; RGB Average

_____________________________________________________________________________________

1. Latar Belakang

Salah satu bagian penting dalam pengolahan citra digital adalah warna dari citra, karena warna merupakan sesuatu yang terlihat secara visual pertama kali saat objek berhasil dipotret oleh kamera. Selain itu warna memiliki informasi yang penting untuk mempresentasikan kualitas dari suatu citra (Vibhute, Anup, dan Bodhe, S.K. 2013). Penelitian terkait dengan pertanian saat ini menjadi topik yang sering diangkat, misalnya dalam hal menentukan tingkat kematangan buah (Riska, S. Y., & Subekti, P. 2016). Dizaman dengan teknologi yang berkembang dengan pesat seperti saat ini, banyak inovasi-inovasi yang telah lahir untuk memudahkan manusia. Kebutuhan manusia juga semakin tergantung pada teknologi dibidang komunikasi, pendidikan, bahkan di bidang perkebunan. Hingga saat ini teknologi yang membantu manusia di perkebunan kurang berkembang. Buah-Buahan adalah komoditas yang menguntungkan karena keanekaragamaan varietas dan didukung oleh iklim yang sesuai, menghasilkan varietas buah-buahan yang menarik (Permadi, B. E. 2019).

Tomat termasuk buah yang memiliki tingkat kematangan tertentu dalam kurun waktu yang singkat. Pendistribusian buah tomat diberbagai daerah menjadikan pentingnya melakukan klarifikasi tomat berdasarkan tingkat kematangannya. Menurut (Harllee) terdapat enam level

(2)

54 kematangan tomat yang dapat dibedakan berdasarkan warna dari tomat. Level kematangan dari tingkat tomat yang mentah adalah green, breakers, turning, pink, light red dan red. Sehingga, warna dari tomat menjadi indikator penting dalam menentukan tingkat kematangan dan kualitas dari tomat tersebut. Penggolongan level kematangan tomat bertujuan untuk mengurangi adanya resiko tomat yang membusuk. Sehingga, distribusi tomat dipengaruhi dari jarak daerah pengiriman dan level kematangan tomat tersebut.

Tomat (Lycopersiconesculentum Mill) merupakan sayuran berbentuk buah yang banyak dihasilkan didaerah tropis dan subtropis. Tomat memiliki sifat yang mudah rusak, penanganan yang tidak tepat pada buah tomat sebelum, selama dan sesudah pemanenan dapat mempercepat proses kerusakan sehingga mengakibatkan penurunan mutu sehingga dapat mempengaruhi nilai gizi dan nilai ekonomisnya. Untuk meminimalisir pembusukan tomat, maka para produsen diharuskan mendeteksi kematangan buah dengan tepat, pada saat ini untuk menentukan kematangan buah tomat masih sering dilakukan secara manual sehingga untuk menentukan tingkat kematangan buah tomat tidak begitu akurat. Dengan adanya citra digital maka untuk menentukan kematangan buah tomat berdasarkan warnanya bisa dilakukan secara computing (berbasis teknologi) (Pratama, R., Fuad, A., & Tempola, F. (2019).

Pengembangan metode pengolahan citra untuk mengklarifikasikan kematangan tomat dapat menggunakan komputer. Sebelum sistem pemrosesan gambar diterapkan, identifikasi kematangan tomat sebagian besar dilakukan secara manual oleh manusia. Identifikasi kematangan tomat manual memiliki banyak kelemahan yang disebabkan oleh faktor seperti kelelahan, kurang motivasi, pengalaman, kemahiran dan sebagainya. Untuk mengatasi masalah ini. Pengembangan teknologi informasi memungkinkan identifikasi kematangan buah dan bahkan deteksi jenis buah dengan bantuan komputer. Karakteristik yang dapat membedakan bagaimana tomat berubah menjadi masak ialah dari bentuk, warna, ukuran dan teksturnya. Fitur warna pada tomat adalah karakteristik yang paling mudah digunakan untuk membedakan tomat masak dan tomat belum masak, karena warna dapat dilihat secara langsung tidak perlu bersentuhan dengan tekstur. Banyak penelitian sebelumnya telah dilakukan dalam mengklasifikasikan tomat (Astrianda, N., & Mohamad, F. S. (2017).

Salah satu faktor kelemahan metode ini adalah perbedaan dalam pengelompokan klasifikasi buah tomat dan metode ini menghasilkan klasifikasi yang tidak konsisten. Pengolahan citra dapat digunakan untuk mengklasifikasikan kematangan buah tomat dengan melakukan segmentasi pada citra untuk memisahkan citra objek tomat dan background (Riska, S. Y. 2015). Dari permasalahan diatas perlu adanya aplikasi yang dapat mengklasifikasikan buah tomat yang meningkatkan tingkat keakurasian dengan hasil yang konsisten. “Penerapan Nilai Rata-Rata RGB Pada Aplikasi Pengukur Kematangan Buah Tomat” diharapkan dapat mempermudah dalam klasifikasi buah tomat berdasarkan warna yang dapat menghasilkan klasifikasi dengan nilai yang konsisten. Rumusan masalah dari penelitian ini adalah bagaimana membangun aplikasi yang dapat mengklarifikasi buah tomat dengan metode rata-rata RGB untuk mengklarifikasi kualitas buah tomat dari warna.

(3)

55

2. Landasan Teori

2.1. Pengolahan Citra

Pengolahan citra merupakan sebuah ilmu informatika yang digunakan untuk memperbaiki kualitas citra sehingga menjadi lebih baik, menggunakan teknik tertentu dan lebih mudah untuk diinterpretasikan oleh komputer (Ichsan, A. Z., Andrizal, M. T., Yendri, D., & Kom, M.). Teknologi pengolahan citra memiliki beberapa jenis yaitu citra berwarna, citra berwarna dengan transparansi, citra grayscale, citra biner dan citra terindeks (Hidayatullah, P. (2017). Sistem pengolahan citra memberikan kemudahan untuk memproses suatu citra. Metode transformasi sistem ruang warna merupakan salah satu metode dari pengolahan citra yang dilkukan guna memperoleh ruang warna yang beragam dari suatu citra dalam sistem koordinat warna tertentu (Pratama, R., Fuad, A., & Tempola, F. (2019). Pada aplikasi pengolahan citra digital pada umumnya, citra digital dapat dibagi menjadi 3 yaitu color image, black and white image dan binary image (Kusumanto, R. D., & Tompunu, A. N. (2011).

2.2. Warna RGB

Model warna RGB merupakan model warna yang banyak digunakan sebagai standar komponen warna cahaya, dimana warna primernnya adalah merah (R), hijau (G) dan biru (B). Warna lain didefinisikan sebagai campur atau kombinasi dari ketiga warna tersebut (Achmad, B & Firdausy, K. 2013). RGB adalah warna dasar yang dijadikan patokan warna secara universal (primary colors) dengan citra jenis berwarna yang bisa diubah warnanya ke dalam kode-kode angka sehingga warna tersebut akan tampil universal (Pratama, R., Fuad, A., & Tempola, F. (2019).

Gambar 2.2. Ilusi Komponen RGB (Riska, S. Y. 2015)

Triplet RGB terdiri dari enam buah karakter heksadesimal yang tiap dua-dua karakter masing-masing menyatakan entitas dari Red (merah), Green (hijau) dan Blue (biru). Nilai-nilai yang dapat diisikan untuk tiap-tiap entitas RGB ini adalah daro 00 sampai FF atau dalam angka desimal 0 sampai 255.

(4)

56

3. Metodologi Penelitian

Metodologi penelitian ini menggunakan metodologi prototype. Model prototype (prototyping model) dimulai dari mengumpulkan kebutuhan pelanggan terhadap perangkat lunak yang akan dibuat. Lalu dibuatlah program prototype agar pelanggan lebih terbayang dengan apa yang sebenarnya diinginkan. Program prototype biasanya merupakan program yang belum jadi. Program ini biasanya menyediakan tampilan dengan simulasi alur perangkat lunak sehingga tampak seperti perangkat lunak yang sudah jadi. Program prototype ini dievaluasi oleh pelanggan atau user sampai ditemukan spesifikasi yang sesuai dengan keinginan pelanggan atau user (Rosa, A. S. 2018)

3.1. Listen To Customer

Pada tahap ini dilakukan pengumpulan kebutuhan dari sistem dengan cara mendengar keluhan dari pelanggan. Untuk membuat suatu sistem yang sesuai kebutuhan, maka harus diketahui terlebih dahulu bagaimana sistem yang sedang berjalan untuk kemudian mengetahui masalah yang terjadi (Presman, R. 2010).

Tahapan ini penulis juga mengumpulkan kebutuhan yang diperlukan dengan membaca buku tentang tomat dan pengolahan citra dan teori lain yang terkait, serta mempelajari penelitian-penelitian yang terkait dan jurnal terdahulu dan membandingkannya untuk menjadi acuan adalam pembuatan aplikasi seperti pada tabel 3.1.

Tabel 3.1. Kebutuhan Aplikasi Aplikasi Klasifikasi Buah Tomat

Basis Desktop

Penyimpanan Penyimpanan file citra dan aplikasi disimpan dalam satu folder yang dapat dipilih oleh user

Fitur Dapat mengklasifikasikan berdasarkan warna.

Objek Buah Tomat

Tekhnik Rata-rata RGB

Citra/Gambar 4608x2592 pixel

Kamera Canon 16 mega pixels

Besar Lens Aperture f/3.4 W - 6.5(T)

Jarak Pengambilan ±13.5 cm dari lensa kamera

Software Matlab R2015a

Citra diambil diletakan dalam sebuah kotak dengan panjang: 34 cm, lebar: 21.5 cm, tinggi: 22.5 cm, lampu: LED 12 volt 5 watt sebanyak 4 buah diletakan pojok atas.

(5)

57 Gambar 3.1. merupakan flowchart untuk menggambarkan jalannya aplikasi dimulai dengan melakukan penginputan gambar buah tomat lalu dilakukan proses cropping dan segmentasi untuk menghitung nilai RGB yang nantinya hasilnya untuk klarifikasi kematangan.

4. Hasil dan Pembahasan

4.1. Pembentukan Prototype

Dalam penelitian ini tahap pengujian aplikasi dilakukan dengan pemrosesan terhadap 49 buah tomat. Ada beberapa proses dalam pembuatan aplikasi ini yaitu:

4.1.1 Pembacaan Citra

Citra yang telah diambil menggunakan kamera disimpan didalam satu folder dengan aplikasi yang telah dibuat. Pengguna dapat memanggil citra yang akan di olah. Aplikasi tersebut akan menampilkan citra yang telah dipilih untuk di olah.

4.1.2 Cropping

Setelah citra dipanggil dan ditampilkan, kita dapat menggambil gambar sesuai kebutuhan kita dengan cara mengcrop/memotong citra.

Mulai Masukan Gambar Cropping Segmentasi Menghitung RGB Kualitas Tomat Selesai

(6)

58 4.1.3 Segmentasi

Segmentasi digunakan untuk memisahkan citra tomat dari backgroundnya agar lebih mudah dihitung.

4.1.4 Menghitung RGB

Setelah proses cropping dan segmentasi kita dapat menghitung nilai dari rata-rata RGB dan menampilkan klasifikasi kematangan.

Listing 4.1.4 Program Menghitung RGB 4.2. Pengujian Aplikasi

Pengujian aplikasi dilakukan setelah aplikasi selesai dibuat. Pengujian ini dilakukan terhadap 24 tomat matang dan 25 tomat mentah.

Tabel 4.2.1 Hasil Pengujian Kematangan Buah Matang

Buah ke- Kematangan

Hasil Pengamatan Manual Hasil Pengamatan Aplikasi Keterangan R G B

(7)

59

Buah ke- Kematangan

2 859.211 762.902 109.538 Matang Matang Sesuai

Tabel 4.2.2 Hasil Pengujian Kematangan Buah Mentah

Buah ke- Kematangan

1 580.066 699.563 219.347 Mentah Mentah Sesuai

(8)

60

Buah ke- Kematangan

(9)

61 4.3. Rekayasa Perangkat

Gambar 4.3 Program Kematangan Tomat

Gambar 4.3. Merupakan hasil tampilan dari aplikasi kematangan tomat berbasis GUI. Pada aplikasi ini memiliki 4 tombol yang berguna dalam proses klasifikasi kematangan tomat. Tombol “Masukan Gambar” berfungsi untuk membuka dan menampilkan file citra yang akan diolah dalam proses memotong/cropping. Tombol “Memotong berfungsi untuk mengambil bagian inti dari suatu citra agar lebih mudah dalam proses segmentasi. Tombol “Segmentasi” berfungsi untuk mengolah citra bagian imana yang termasuk dalam objek tomat. Tombol “Menghitung RGB” berfungsi untuk mengetahui nilai red, green dan blue sehingga klasifikasi kematangan tomat dapat terdeteksi apakah tomat matang atau mentah.

5. Kesimpulan dan Saran

5.1. Kesimpulan

Tomat merupakan salah satu buah yang memilki tingkat kematangan dalam kurun waktu yang cepat. Pendistribusian tomat di berbagai daerah menjadikan pentingnya klasifikasi kematangan tomat. Penggolongan level kematangan tomat bertujuan untuk meminimalisir terjadinya pembusukan pada tomat. Dengan adanya citra digital maka untuk menentukan kematangan tomat dapat dilakukan dengan cara computing berbasis teknologi. Pada penelitian ini diterapkan pengolah citra berbasis rata-rata RGB yang digunakan untuk mendeteksi

(10)

62 kematangan tomat. Citra tomat yang digunakan ada 49 buah yang diambil menggunakan kamera canon 16 megapixels. Citra tomat tersebut di lakukan pengujian pada aplikasi yang telah dibuat dan tingkat keberhasilan aplikasi klasifikasi buah tomat berdasarkan kematangannya adalah 95%.

5.2. Saran

Pada penelitian kali ini, saat memasukan citra ke dalam aplikasi masih dilakukan secara manual, tidak dapat secara langsung dari aplikasinya, diharapkan peneliti selanjutnya bisa secara otomatis mengambil citra secara realtime dari aplikasi, serta dapat menambahkan tekstur tomat agar bisa lebih optimal dalam menentukan kematangan tomat.

Daftar Pustaka

Achmad, B & Firdausy, K. 2013. Pengolahan Citra Digital Menggunakan Delphi. Yogyakarta : Andi Yogyakarta.

Presman, R. 2010. Software Engineering : Practitioner’s Approach 7th Edition. New York: McGraw-Hill

Riska, S. Y. 2015. Klasifikasi Level Kematangan Tomat Berdasarkan Perbedaan Perbaikan

citra Menggunakan Rata-Rata RGB Dan Index Pixel. Malang: STMIK Asia Malang

Vibhute, Anup, dan Bodhe, S.K. (2013). “Outdoor Illumination Estimation of Color Images”. IEEE, Communication and Signal Processing hal 331-334.

Riska, S. Y., & Subekti, P. (2016). Klasifikasi Level Kematangan Buah Tomat Berdasarkan Fitur Warna Menggunakan Multi-SVM. Jurnal Ilmiah Informatika, 1(1), 39-45.

Pratama, R., Fuad, A., & Tempola, F. (2019). DETEKSI KEMATANGAN BUAH TOMAT BERDASARKAN FITUR WARNA MENGGUNAKAN METODE TRANSFORMASI RUANG WARNA HIS. JIKO (Jurnal Informatika dan Komputer), 2(2), 81-86.

Kusumanto, R. D., & Tompunu, A. N. (2011). pengolahan citra digital untuk mendeteksi obyek menggunakan pengolahan warna model normalisasi RGB. Semantik, 1(1).

Harllee Packing Inc. “Product: Premium product are a Harllee tradition’’. 28 November.

http://www.harlleepacking.com/products/

Permadi, B. E. (2019). Rancang bangun alat sortir kematangan buah belimbing berdasarkan ukuran dan warna dengan mikrokontroler arduino.

Astrianda, N. (2020). Klasifikasi Kematangan Buah Tomat Dengan Variasi Model Warna Menggunakan Support Vector Machine. VOCATECH: Vocational Education and Technology

Journal, 1(2), 45-52.

Arief, M. (2019). Klasifikasi Kematangan Buah Jeruk Berdasarkan Fitur Warna Menggunakan Metode SVM. Jurnal Ilmu Komputer dan Desain Komunikasi Visual, 4(1), 9-16.

(11)

63 Hidayatullah, P. (2017). Pengolahan Citra Digital Teori dan Aplikasi Nyata. Bandung:

informatika.

Astrianda, N., & Mohamad, F. S. (2017). Ripeness Identification of Tomato Using Different Color Models Based on Neural Networklevenberg-Marquardt. World Applied Sciences

Journal, 35, 57-61.

Ichsan, A. Z., Andrizal, M. T., Yendri, D., & Kom, M. Perancangan dan Pembuatan Sistem Visual Inspection Sebagai Seleksi Buah Tomat Berdasarkan Kematangan Berbasis Web Camera.

Rosa, A. S. (2018). Rekayasa Perangkat Lunak dan Berorientasi Objek Edisi Revisi.