KALIBRASI PERANGKAT LUNAK BERBASIS PYTHON UNTUK PENGUKURAN VOLUME BUAH MENGGUNAKAN METODE
PENCITRAAN BERBASIS LASER
REPOSITORY
OLEH
CHRISVON LASE NIM. 1603115606
PROGRAM STUDI S-1 FISIKA JURUSAN FISIKA
FALKUTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS RIAU
2020
1 KALIBRASI PERANGKAT LUNAK BERBASIS PYTHON UNTUK
PENGUKURAN VOLUME BUAH MENGGUNAKAN METODE PENCITRAAN BERBASIS LASER
Chrisvon Lase1, Minarni2
1Mahasiswa Program S1 Fisika FMIPA-Universitas Riau
2Bidang Fotonik Jurusan Fisika FMIPA-Universitas Riau Falkutas Matematika dan Ilmu Pengetahuan Alam, Universitas Riau,
Pekanbaru, Riau, 28293, Indonesia.
[email protected] ABSTRACT
Volume is one of the important quantities that can be used in sorting machine.
Imaging method which uses camera and computer has been developed as an alternative method to estimate fruit volume because it is nondestructive and fast.
Laser beam with line shape can be used to define the major and minor length of fruit image. This study aims to calibrate Python based software that has been made to determine fruit volume which used ellipsoid equation and Simpson rules.
The calibration was performed in order to find the conversion of pixel to centimeter, and then the volume of fruit is in cm3. The result of the calibration was used for some samples such as plastic ball, kiwi fruits and oil palm fruit bunches.
The results were compared to the manual calculation using ellipsoid approximation. This study showed that the pixel calibration is 121336 pixels/cm, and the measured volume is in the range from 100 cm3 to 7000 cm3. The difference from the manual results is around 1.37782 %.
Keywords: Imaging method, Simpson rule, ellipsoid, fruit volume, laser ABSTRAK
Volume merupakan salah satu besaran penting yang dapat digunakan dalam mesin penyortir buah. Metode pencitraan mengunakan kamera dan komputer telah dikembangkan sebagai metode alternatif untuk mengukur volume karena bersifat nondestruktif dan cepat. Laser garis digunakan untuk mendefenisikan panjang mayor dan minor pada citra buah. Penelitian ini bertujuan untuk mengkalibrasi program komputer bebasis Python yang telah dibuat untuk menentukan volume buah dengan pendekatan ellipsoida dan aturan Simpson. Kalibrasi dilakukan untuk mengetahui konversi nilai piksel dalam centimeter, selanjutnya nilai volume dalam cm3. Hasil kalibrasi diuji untuk beberapa sampel yaitu bola plastik, buah kiwi, dan tandan kelapa sawit. Hasil uji dibandingkan dengan hasil pengukuran volume secara manual mengunakan pendekatan elipsoida. Hasil Penelitian memperoleh hasil kalibrasi piksel adalah 12,1336 piksel/cm volume yang diukur berkisar antara 100 – 7000 cm3. Perbedaan dengan pegukuran secara manual adalah 1,37782 %.
2 Kata Kunci: Metode pencitraan, aturan Simpson, ellipsoida, volume buah, laser PENDAHULUAN
Metode pencitraan berbasis kamera dan komputer bertujuan untuk menganalogikan proses pengelihatan visual manusia. Metode ini dikenal juga sebagai Computer vision yang menghasilkan persepsi visual melalui beberapa proses yaitu perekaman, pengolahan citra, klasifikasi, pengenalan pola, dan pembuatan keputusan (Rachmat dan Cahyanti, 2015). Sistem computer vision dapat digunakan dalam sistem otomatis untuk mengenali objek fisik nyata dan memberikan informasi yang diperlukan melalui citra atau gambar suatu objek (Kodagali dan Balaji, 2012).
Pengolahan citra adalah salah satu bagian dari metode pencitraan computer vision. Proses ini akan memberikan informasi detail mengenai citra yang direkam.
Pengolahna citra juga bertujuan untuk mentransformasikan citra menjadi citra lain untuk memperbaiki kualitas citra (Indriyani dkk, 2017).
Pengolahan cita akan
memtransformasikan piksel-piksel dari citra yang telah direkam. Seleksi piksel-piksil yang telah dibatasi atau disegmentasi pada nilai tertentu akan menghasilkan kontur pada citra tersebut (Chabrier dkk, 2008).
Volume adalah salah satu parameter yang digunakan untuk menentukan ukuran buah. Volume dapat digunakan dalam proses sortatasi hasil panen buah dalam skala besar (Siswantoro dkk, 2014).
Pengukuran volume buah dapat ditinjau dari bentuk geometri dari
buah. Pada umumnya bentuk buah menyerupai bentuk ellipsoida dan bola, sehingga dalam pengukurannya baik secara manual maupun secara komputasi dapat didekati dengan volume sebuah ellipsoid atau sebuah bola. Pengukuran volume dengan pendekatan ellipsoda dapat dibuat menggunakan algoritma dengan aturan Simpson.
Algoritma metoda Simpson merupakan suatu metode numerik yang digunakan untuk melakukan segmentasi terhadap suatu citra dua dimensi. Proses segmentasi akan menghasilkan bagian bagian yang similar (Sindar, 2017). Luas dan volume dari bagian - bagian yang telah disegmentasi dapat diselesaikan dengan persamaan Simpson.
Algoritma aturan Simpson menggunkan polinomial berorde tinggi dalam menyelesaikan integrasi segementasi (Sasono, 2006).
Penyelesaikan persoalan numerik dapat dibantu dengan adanya perangkat komputer serta software atau perangkat lunak untuk mempercepat evaluasi persamaan (Triadmodjo dan Bambang, 2002).
Citra yang tersimpan dalam komputer berupa matriks - matrik piksel yang dapat berubah-ubah terhadap setiap frame yang terkam.
Perangkat lunak (software) akan mengevaluasi algoritma dengan mensubtitusi nilai matriks pada persamaan Simpson. Kalibrasi sistem computer vision perlu dilakukan agar mempertahankan akuisisi sistem yang telah dibangun untuk mendapatkan hasil pengukuran
3 yang lebih efisien (Rashidi dan
Gholami, 2008).
METODE PENELITIAN
Peneltian ini mengunakan metode ekperimen yang bertujuan untuk mengkalibrasi perhitungan secara komputasi dan perhitungan secara manual sehingga diperoleh nilai volume yang mendekati nilai sebenarnya. Buah sebagai objek penelitian mempunyai massa, massa jenis dan volume yang berbeda.
Pengukuran secara manual dapat dilakukan dengan menghitung diameter sumbu utama, sumbu mayor dan sumbu minor selanjutnya panjang sumbu mayor dan minor.
Dengan informasi tersebut, volume buah yang mendekati volume elippsoida atau bola dapat dihitung.
Pengukuran dengan metode pencitraan computer vision dilakukan sebagai metode non destruktif, cepat penganti metode manual.
Sistem computer vision dibangun menggunakan kamera, sinar laser dioda dan juga laptop. Pengaturan sudut antara kamera dan laser perlu dilakukan untuk mendapatkan patahan laser pada objek. Cahaya laser berbentuk garis silang (cross hair) diperlukan agar pengukuran panjang mayor dan minor pada citra objek lebih mudah dilakukan. Sistem memerlukan kalibrasi dengan menentukan piksel pada frame untuk mendapatkan hasil konversi jumlah piksel dalam 1 sentimeter (cm) sehingga volume buah dapat ditentukan dalam cm3.
Kalibrasi nilai piksel dilakukan dengan pengambilan citra sebuah pengaris berskala 1 cm. Penggaris akan diletakkan pada tempat objek penelitian tepat dibawah kamera agar
konversi piksel pada ketinggian tertentu dapat digunakan untuk objek lainnya. Pengukuran dilakukan dengan menghitung jumlah piksel pada skala 1 cm dari penggaris.
Nilai piksel selanjutnya akan digunkan untuk pengukuran volume bola untuk menghitung ketepatan pengukuran. Perhitungan volume bola menggunakan algoritma bahasa Python dengan persamaan Simpson dan ellipsoida. Hasil pengukuran volume akan tampil pada layar komputer.
HASIL DAN PEMBAHASAN Citra kontur dari bola dengan bantuan laser dapat dilihat pada gambar 1b. Kontur yang didapatkan menunjukkan nilai piksel setiap diameter sumbu yang kemudian akan dijadikan volume. Pada gambar 1a dapat dilihat adanya patahan laser garis ketika mengenai bola.
Gambar 1. Pengolahan bola a) Sebelum, b) kontur citra bola
4 Intensitas laser merah akan
dibatasi dan intensitas diluar warna merah akan dihitamkan untuk membatasi informasi yang diterima oleh sistem computer vision yang selanjutnya akan diolah dengan algoritma volume.
1. Kalibrasi Piksel ke cm
Sitem computer vision yang telah dibangun dengan ketinggian kamera kamera terhadap objek adalah 97 cm, jarak antara kamera dan laser 10 cm dan sudut diataranya 10o. Hasil kalibrasi nilai piksel untuk setiap 1 cm pada sistem ini adalah 12,1336 piksel/cm dengan ketinggian konstan. Posisi kamera harus konstan agar matriks dari piksel gambar tidak berubah sehingga dapat diunkan dengan baik.
Gambar 2. Kalibrasi piksel ke cm.
2. Pengujian Hasil Kalibrasi
Hasil kalibrasi piksel di substitusi pada algotirma penentuan volume dengan bahasa Python. Setiap nilai piksel yang diperoleh dari kontur akan disubstitusi pada algoritma yang telah dibangun. Selisih piksel pada lengan 3 dan 2 merupakan sumbu mayor dan selisih piksel pada lengan 1 dan 5 merupakan sumbu
minor. Volume ditunjukan melalui layar komputer.
Gambar 3. Algoritma Python
Pada gambar 3 dapat diperhatikan bahwa nilai kalibrasi akan di substitusi pada persamaan Simpson dan ellipsoida untuk mengkonversi nilai panjang mayor dan minor menjadi cm sehingga nilai volume yang dimunculkan dalam satuan cm3.
3. Perbandingan nilai volume dengan computer vision dan secara manual
Sistem computer vision yang telah dibangun akan diuji dengan mengukur volume berbentuk bola dan ellipsoida yaitu menggukan volume bola, tandan buah segar (TBS) kelapa sawit, dan buah kiwi.
TBS kelapa sawit dan buah kiwi merupakan buah yang berbentuk ellipsoida. Ketiga sampel akan juga akan dibandingkan hasil pengukuran volume secara manual dengan mengunakan persamaan volume bola dan ellipsoida. Hasil pengukuran dapat dilihat pada tabel berikut.
5 Tabel 1. Hasil pengukuran volume
menggunkan computer vision (cv) dan manual
No. Sampel Volume manual (cm3)
Volume CV (cm3) 1 S1 3.054,86 3.078,54 2 S2 7.751,52 7.765,27 3 S3 7.029,21 7.672,01 4 S4 114,57 119,65 5 S5 117,26 120,86
Pada hasil pengukuran dengan menggunkan pengukuran volume secara manual dan dengan menggunakan computer vision dengan volume sampel paling rendah adalah volume buah kiwi dan paling tinggi adalah volume TBS kelapa sawit pada rentang 100 cm3 hingga 7.000 cm3
.
Pada pengukuran ini dapat dilihat bahwa nilai pengukuran memiliki nilai yang hapir sama dengan rata-rata perbedaan sebesar 1,37782 % untuk setiap pengukuran. Kedua metode menggunakan pendekatan ellips untuk menghitung besar volume sehinga memiliki rentang perbedaan niali yang relativ dekat.KESIMPULAN
Pada penelitian ini dapat diambil kesimpulan bahwa hasil kalibrasi perangkat lunak berbasis python untuk pengukuran volume buah menggunakan metode pencitraan pada sistem dengan kamera pada ketinggian 97 cm dengan jarak antara laser 10 cm dan dengan sudut 100, didaptkan nilai piksel setiap cm adalah sebesar 12,1336 piksel/cm. Hasil pengujian dengan menggunkan sampel bola, tandan buah segar kelapa sawit dan buah kiwi pada rentang volume 100
cm3 hingga 7000 cm3 didapatkan rata – rata perbedaan sebesar 1,37782%. UCAPAN TERIMAKASIH
Studi ini di dukung sebagian dari penelitian yang dibiayai DRPM (Penelitian Dasar 2018/2019).
Ucapan Terimakasih Kepada Ikhsan Rahman Husein dan Ramma Hayu Fitra yang telah membantu dalam pembuatan program Python dan pengolahan citra.
DAFTAR PUSTAKA
Chabrier, S., Laurent, H., Emile, B.
2008. Comparative study of contour detection evaluation criteria based on dissimilarity measures. Journal of image and video proseccing. Pp 1-10.
Indriyani, L., Susanto, W., Riana, Dwiza. 2017. Teknik Pengolahan Citra Untuk Mengukur Diameter Buah Jeruk Keprok Menggunakan Aplikasi Matlab. Indonesian Journal on Computer and Information Technology. 2(1):46-52.
Kodagali, J. A., Bajali , S. 2012.
Computer Vision and Image Analysis Based Techniques for Automatic Characterization of Fruits. International Journal of Computer Aplication. 50(6):6- 12.
Rachmat, E., Cahyanti, M. 2015.
Algoritma Transformasi Ruang Warna. Indie Publising : Depok.
Rashidi, M., Gholami, M. 2008.
Determination of Kiwifruit
6 Volume Using Ellipsoid
Approximation and Image
Processing Method.
International Journal of Agriculture and Biology.10 : 375-380
Triadmojo dan Bambang. 2002.
Metode Numerik Dilengkapi dengan Program Komputer.
Betta Offset:Yogyakarta
Sasono, E. J. 2006. Aplikasi Metode Numerik Dalam Perhitungan Luas dan Volume Badan Kapal yang Berada dibawah Permukaan Air Laut. Kapal.
3(3):83-88.
Siswantoro, J., Prabuwono, A. S., Abdullah, A. 2014. Volume Measurment Algoritma for Food Product with Irregular Shape Using Computer Vision Based on Monte Carlo Method 8(1):1- 17.
