Perpustakaan Universitas Gunadarma BARCODE SURAT KETERANGAN. Nomor: 185/PERPUS/UG/2020

Perpustakaan Universitas Gunadarma BARCODE

BUKTI UNGGAH DOKUMEN PENELITIAN PERPUSTAKAAN UNIVERSITAS GUNADARMA

Nomor Pengunggahan

SURAT KETERANGAN

Nomor: 185/PERPUS/UG/2020

Surat ini menerangkan bahwa:

Nama Penulis : Dina Agusten, ST MMSI

Nomor Penulis : 090204

Email Penulis : dina_agustin@staff.gunadarma.ac.id

Alamat Penulis : Cibinong

Telah menyerahkan hasil penelitian/ penulisan untuk disimpan dan dimanfaatkan di Perpustakaan Universitas Gunadarma, dengan rincian sebagai berikut :

Nomor Induk : FTI/IA/PENELITIAN/185/2020

Judul Penelitian : Hasil Survei Paper Computer Vision Studi Kasus Pendeteksi Kematangan Buah

Tanggal Penyerahan : 14 / 08 / 2020

Hasil Survei Paper Computer Vision Studi Kasus Pendeteksi

Kematangan Buah

Dina Agusten

Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas Gunadarma.

dina_agustin@staff.gunadarma.ac.id

ABSTRAK

Saat ini tidak semua negara memiliki tanah yang baik untuk pertanian, sehingga setiap negara memiliki kekhasan atas hasil pertanian. Banyak penelitian yang melakukan penelitian terhadap hasil pertanian salah satunya buah-buahan. Penelitian terhadap buah dilakukan untuk dapat mengelola hasil pertanian dengan baik dan efektif, meningkatkan kualitas hasil panen, melakukan sortir atau seleksi terhadap hasil panen buah. Metode yang banyak dilakukan dalam penelitian adalah dengan memanfaatkan computer vision dengan bermacam teknik pendeteksi kematangan buah. Computer vision dapat membantu dalam melakukan pengklasifikasian sesuai fitur yang ditentukan. Tujuan dari paper ini adalah melakukan deskripsi terhadap hasil survei penelitian computer vision pada studi kasus pendeteksi kematangan buah agar menjadi inspirasi terhadap penelitian selanjutnya dan memberikan informasi tingkat keakuratan dari teknik yang digunakan.

Kata Kunci; Buah; Computer Vision; Klasifikasi; Deskripsi

1. PENDAHULUAN

Pertumbuhan hasil panen buah - buahan terkadang mengalami pasang surut tergantung dari berbagai faktor. Saat ini masih banyak petani yang menggunakan cara tradisional untuk mendeteksi dan menyeleksi hasil panen tersebut. Manusia harus mencari solusi bagaimana cara dengan hasil panen tersebut, dapat mengklasifikasi hasil panen dengan cepat dan tingkat keakuratan yang tinggi. Hasil pengklasifikasi tersebut dapat membantu para petani menentukan apakah hasil dijual ke daerah tertentu atau diolah menjadi sebuah produk tertentu. Cara efektif dalam melakukan pengklasifikasian dengan mendeteksi tingkat kematangan buah tersebut dengan bantuan Komputer. Pengelolaan pertanian yang baik dapat meningkatkan kehidupan para petani. Buah-buahan dapat menjadi salah satu komoditi ekspor[6] jika kualitasnya dapat terus ditingkatkan, sehingga dapat membantu memperkuat perekonomian negara.

Teknologi computer vision dapat membantu pengklasifikasian karena dapat mendeteksi sesuai fitur-fitur yang sudah ditentukan. Pada computer vision dapat diterapkan berbagai teknik dan algoritma dalam mendeteksi tingkat kematangan sehingga memiliki tingkat keakuratan yang tinggi.

Teknologi dapat memperkecil terjadinya kesalahan manusia dalam mendeteksi dan meyeleksi.

Banyaknya penelitian terkait dengan computer vision terutama dalam bidang pertanian sangat membantu petani dalam mengelola hasil pertanian. Hasil dari paper ini adalah:

1. Mendeskripsikan hasil dari beberapa penelitian yang terkait dengan deteksi kematangan buah dengan computer vision.

2. Memberikan informasi tingkat keakuratan tertinggi pada setiap teknik.

2. TEKNIK DETEKSIKEMATANGANBUAH

“Manusia menggunakan cara untuk mengetahui kematangan buah dengan melihat Tampilan (warna, ukuran, tekstur), berat, rasa, aroma”[12].

“Computer Vision adalah sebuah disiplin ilmu meniru cara kerja visual manusia (Human Vision). Human Vision sesungguhnya sangat kompleks, manusia melihat obyek dengan indera penglihatan (mata) lalu obyek citra diteruskan ke otak untuk diinterpretasi sehingga manusia mengerti obyek apa yang tampak dalam pandangan matanya. Hasil interpretasi ini mungkin digunakan untuk mengambil suatu keputusan. Sebagaimana layaknya mata dan otak, computer vision adalah suatu sistem yang mempunyai kemampuan untuk menganalisis obyek secara visual, setelah data obyek yang bersangkutan dimasukkan dalam bentuk citra”[9]. Sistem Kerja dari sebuah computer vision dapat dilihat pada gambar 1.

Fruit Feature Feature Fruit Test Extraction Database Recognizing Image

Gambar 1. Sistem Kerja Computer Vision [2]

Berikut ini merupakan beberapa teknik yang digunakan pada computer vision dari beberapa penelitian yang sudah dilakukan:

2.1. Image segmentation HSV

Teknik ini merupakan “hasil konversi dari segmentation RGB. HSV merupakan salah satu cara untuk mendefinisikan warna yang didasarkan pada roda warna yang dapat dilihat pada gambar 2. Hue mengukur sudut sekitar roda warna

(merah pada 0 derajat, 120 derajat di hijau, biru, di 240 derajat). Saturation yang menunjukkan pada radius roda warna sehingga menunjukkan proporsi antara gelap (pusat) untuk warna ke putih murni (diluar). Value Menunjukkan nilai kecerahan. Hue memiliki nilai antara 0 hingga 360 (derajat), Saturation dan Value berkisar dari 0 hingga 100%”[11].

Gambar 2. Model warna HSV [11]

“Histogram warna akan dikuantisasi ke dalam 16 level komponen H, 4 level komponen S, dan 4 level komponen V”[10].

2.2. Image segmentation RGB

“Data rekaman agar dapat valid dalam image segmentation RGB, terlebih dahulu dilakukan kalibrasi dengan menggunakan standar warna RGB dan warna dasar putih pada kotak pemindai untuk menghindari bias warna karena pencahayaan. Data fitur warna RGB yang diperoleh kemudian di analisis dengan menggunakan regresi dan korelasi untuk masing-masing tampilan warna Merah (red), Hijau (green) dan Biru (blue)”[8]. ”Tingkat intensitas yang berbeda-beda pada masing-masing komponen warna pokok yang digabungkan berpengaruh pada jenis warna yang akan dihasilkan. Gradasi intensitas warna pada layar komputer saat ini terdapat 256 gradasi (0-255) untuk masing-masing komponen RGB”[4][7].

“Bentuk indeks warna RGB dapat dinormalisasikan pada setiap komponen warna dengan persamaan”[3]:

𝑅 = 𝑅1 𝑅1 + 𝐺1 + 𝐵1 𝐺 = 𝐺1 𝑅1 + 𝐺1 + 𝐵1 𝐵 = 𝐵1 𝑅1 + 𝐺1 + 𝐵1 ...(1) 2.3. Image segmentation gray

“Pada image segmentation gray diperoleh dari sebuah Sebuah citra digital yang diwakili oleh sebuah matriks dua dimensi f(x,y) yang terdiri dari M kolom dan N baris, dimana perpotongan antara kolom dan baris disebut piksel (pixel= picture element) atau elemen terkecil dari sebuah citra.

f(x,y) ≈ f 0,0 f 1,0 f(0,1) f(1,1) … … f(0, M − 1)_{f(1, M − 1)} ⋮ f(N − 1,0) ⋮ f(N − 1,1) ⋮ … ⋮ f(N − 1, M − 1) ...(2)

Suatu citra ƒ(x,y) dalam fungsi matematis dapat dituliskan sebagai berikut:

0 ≤ x ≤ M-1 0 ≤ y ≤ N-1 0 ≤ ƒ(x,y) ≤ G-1 dengan:

M = jumlah piksel baris (row) pada array citra N = jumlah piksel kolom (column) pada array citra G = nilai skala keabuan (gray level)

Interval (0,G) disebut skala keabuan (grayscale). Besar G tergantung pada proses digitalisasinya. Biasanya keabuan 0 (nol) menyatakan intensitas hitam dan 1 (satu) menyatakan intensitas putih. Untuk citra 8 bit, nilai G sama dengan 28 = 256 warna (derajat keabuan)”[11].

2.4. Back propagation

“Back propagation merupakan teknik dari Artificial neural network / jaringan syaraf tiruan yang mampu mengidentifikasi kematangan buah Jeruk Manis berdasarkan warna. Back propagation Neural Network merupakan model jaringan syaraf tiruan dengan lapisan jamak yang melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa (tapi tidak sama) dengan pola yang dipakai selama pengujian”[3]. 2.5. K-Nearest Neighboar

“Teknik K-Nearest Neighboar digunakan sebagai pembanding data jarak eucliden antara fitur objek dengan fitur pembanding untuk mendeteksi kematangan buah. Kemudian data tersebutkan akan diurutkan dari data terkecil. Proses K-Nearest Neigboar dapat dilihat pada gambar 3“[7].

2.6. Model fuzzy

“Proses model fuzzy merupakan suatu proses dari input yang berupa nilai tegas (crisp) diubah oleh fuzzifikasi (tahap fuzzifikasi) menjadi nilai fuzzy pada kemudian diolah oleh mesin inferensi fuzzy dengan aturan dasar fuzzy yang selanjutnya ditegaskan kembali dengan defuzzifikasi (tahap Defuzzifikasi) menjadi nilai tegas merupakan output yang dicari sesuai pada gambar 4. Model fuzzy memiliki empat komponen, yaitu : fuzzifikasi, aturan fuzzy, inferensi fuzzy, defuzzifikasi.”[1].

Gambar 4. Model Fuzzy [1]

2.7. Support Vector Machine (SVM)

“Cara kerja sebuah support vector machine (SVM) adalah dengan menyelesaikan masalah pengklasifikasian dengan mencoba untuk mencari pemisah hyperplane yang optimal antar kelas. Prinsip dasarnya adalah linear classifier, dan selanjutnya dikembangkan agar dapat bekerja pada masalah non-linear, dengan memasukkan konsep kernel trick pada ruang kerja berdimensi tinggi. SVM juga dikenal sebagai teknik pembelajaran mesin (machine learning) yang dilakukan dengan menggunakan pasangan data input dan data output berupa sasaran yang diinginkan atau biasa disebut pembelajaran terarah.

min 1 2 |w|

2 _{𝑠.𝑡𝑦𝑡 (𝑥}

𝑡.𝑤+𝑏) – 1 ≥ 0 ...(3)

Dimana (𝑥𝑡.𝑤+𝑏) ≥1 untuk kelas 1 dan (𝑥𝑡.𝑤+𝑏)≤−1 untuk

kelas 2, 𝑥𝑡 adalah dataset, 𝑦𝑡 adalah output dari data 𝑥𝑡.𝑤 ,𝑏

adalah parameter yang dicari nilainya”[10].

Jika menggunakan multi support vector machine (MSVM) maka akan diperoleh[5]:

max 𝑤(𝑎) = 𝑎_𝑖 −

1

2

𝑙 𝑖=1 𝑎_𝑖𝑎_𝑗𝑦_𝑖𝑦_𝑗(𝑥_𝑖. 𝑥_𝑗) 𝑙 𝑖,𝑗 =1 ...(4) dimana 0 ≤ 𝑎_{𝑖, i = 1, 2, …, l} 𝑦𝑖𝑎𝑖=0 𝑙 𝑖=1 ...(5) 3. PEMBAHASAN

Selanjutnya untuk mendeskripsikan semua proses dan teknik pada setiap paper maka dibuatlah pemetaan yang dapat dilihat pada tabel 1 dan tabel 2 dalam pembahasan ini. Survei yang dilakukan adalah memilih paper, yang melakukan penelitian untuk mendeteksi kematangan buah dengan objek dan teknik yang berbeda. Paper yang dipilih ada 10 paper yang dapat diakses melalui internet.

Sutiono dan Wahyu pada tahun 2015 melakukan pendeteksian dengan kematangan pada objek buah naga dengan menggunakan teknik segmentation HVS yang merupakan konversi dari segmentation RGB tidak terlepas dari segmentation gray. Tingkat keakuratan yang diperoleh sebesar 86%. Buah dapat diseleksi langsung secara otomatis dengan alat yang menggunakan sistem conveyor dan selector sehingga pengelompokan dengan mudah dilakukan sesuai tingkat kematangan buah[11].

Pada teknik Image segmentasi RGB tidak memberikan informasi seberapa besar nilai keakuratan saat mendeteksi buah lemon, tomat[4] dan manggis[8]. Hasil hanya mengenali tingkat kematangan dengan standar nilai korelasi 80%[8]. Pada paper[2] tahun 2012 menggabungkan teknik image segmentation RGB dan HVS untuk mendeteksi kematangan buah tomat.

Karsadi dan kawan-kawan tahun 2015 melakukan pendeteksian pada buah jeruk dengan cukup banyak fitur yang digunakan. Teknik syaraf tiruan dapat mengidentifikasikan tingkat kematangan buah jeruk hingga 90% keakuratannya. Disini juga memiliki 3 pengklasifikasian kematangan buah yaitu: mentah, matang dan lewat matang[3].

Febry tahun 2015 dengan objek buah jambu biji merah mendeteksi kematangan buah dengan menggunakan model fuzzy. Nilai keakuratan dengan model fuzzy cukup tinggi yaitu 94,67% [1] karena menggabungkan image segmentation RGB dan segmentation gray. Berbeda dengan uji coba buah kelapa sawit[13] dengan teknik yang sama hanya memiliki tingkat keakuratan 88,74% dengan menggabungkan image segmentation RGB saja.

Tahun 2017 Pawit dan Agus mendeteksi buah salak dengan menggunakan 2 kamera yaitu Canon PowerShoot A810 dengan chip CCD yang digunakan untuk mengambil citra pembanding dan kamera Canon EOS 1100d dengan chip CMOD dalam melakukan pengujian. Teknik K-Nearest Neighbor menghasilkan tingkat keakuratan 93% dan 92% untuk teknik back propagation[7]. Selvia dan kawan-kawan dengan menggunakan Support Vector Machine hanya memiliki tingkat keakuratan 87,22% pada objek mengkudu[10]. Pada penelitian[5] tahun 2014 menggunakan teknik yang sama tetapi teknik dibuat menjadi multi support vector machine karena objek jeruk yang dideteksi berada dialam terbuka dan masih berada pada pohonnya. Pada keadaan alam terbuka terdapat fitur yang dipengaruhi oleh kondisi alam sehingga diperoleh nilai keakuratan 92,4% pada cabang dengan diameter 5 piksel.

Tabel 1 menunjukkan apa saja yang dilakukan dalam mendeteksi kematangan buah, mulai dari kamera yang digunakan, fitur-fitur yang di deteksi hingga hasil proses

pembacaan gambar yang menentukan tingkat kematangan pada buah.

TABEL 1. DESKRIPSI PROSES DETEKSI

Sistem Pengambilan Objek / Imaging System Single Camera CCD A CMOS B

Alat Bantu System Conveyor C

Selector D

Image Source Intensitas E

Fitur-fitur / Feature from Environment Warna kulit F Warna Buah G Ukuran H Tekstur I Berat J Image Processing Focus Brightness/value K Saturation L Hue M Contrast N Correlation O Energy P Homogeneity Q Mean R Variannce S Standard deviation T Skewness U Kurtosis V Entropy W

Inverse difference moment

(IDM) X

Tabel 2 memperlihatkan keterkaitan antara proses deteksi yang berada pada tabel 1 dan teknik pendeteksi pada setiap paper dengan diwakilkan oleh alphabet dari A sampai X. Pada tabel 2 di deskripsikan terdapat 7 teknik pendeteksi kematangan buah pada 10 paper. Dalam tabel 2 dapat terlihat penggabungan teknik Support Vector Machine (SVM) dengan image segmentation RGB dan HVS mampu mendeteksi hampir semua proses deteksi yang digunakan.

TABEL 2. DESKRIPSI TEKNIK PENDETEKSI SETIAP PAPER

NO 1 2 3 4 5 6 7 Teknik Deteksi Buah Image segment ation HSV [2] [10] [11] Image Segment ation RGB [1] [2] [3] [4] [5] [7] [8] [10] [11] [13] Image Segment ation Gray [1] [11] Back Propag ation Artifici al Neural Networ k [3] [7] K-Nearest Neigboard [7] Model Fuzzy [1] [13] Support Vector Machine (SVM) [5] [10] A √ √ √ √ √ √ √ B √ C √ √ D √ E √ √ √ √ √ √ √ F √ √ √ √ √ √ √ G √ √ H √ √ I √ √ J √ K √ √ √ √ L √ √ M √ √ N √ √ O √ √ √ P √ √ Q √ R √ √ √ √ √ S √ √ T √ √ √ √ U √ √ V √ W √ √ X √ √ 4. KESIMPULAN

Hasil survei paper computer vision studi kasus pendeteksi kematangan buah telah dilakukan terhadap 10 paper. Berdasarkan 10 paper didapat hasil yaitu:

1. Pendeskripsian dengan pemetaan dalam bentuk tabel sesuai hasil dari setiap paper dengan total 10 paper. 2. Berdasarkan hasil 10 paper yang ada maka nilai tingkat

keakuratan dalam mendeteksi kematangan buah di dapat dari teknik model fuzzy dengan nilai keakuratan 94,67%.

Berdasarkan hasil tersebut akan menjadi inspirasi bagi penelitian selanjutnya untuk dapat mengembangan teknik dan

nilai keakuratan yang lebih baik dari hasil sebelumnya. Peningkatan mutu kualitas (hasil ataupun pengelolaannya) buah-buahan dapat menjadi prioritas utama dalam komoditi ekspor.

DAFTARPUSTAKA

[1] Febry Yuni Mulato, “Klasifikasi Kematangan Buah Jambu Biji (Psidium Guajava) Dengan Menggunakan Model Fuzzy”, Skripsi Universitas Negeri Yogyakarta, 2015.

[2] Frans Rizal A., “Aplikasi Computer Vision pada Kualitas Kematangan Buah”, Jurnal Sainstek Vol. IV No. 2: 116-122, ISSN: 2085-8019, Desember 2012.

[3] Karsadi W., Lukman A. H. dan Achwil P. M., “Identifikasi Kematangan Buah Jeruk Dengan Teknik Jaringan Syaraf Tiruan”, Jurnal Rekayasa Pangan dan Pertanian, Vol.3 No. 2 Tahun 2015.

[4] L. L. C. Antonio, Sanches J. And F. D. M. Inacio, “Image Processing Techniques for Lemons and Tomatoes Classification”, Bragantia, Campinas, v.67, n.3, p.785-789, 2008.

[5] Lü Q., Cai J. R., Liu B., deng L., Zhang Y., “Identification of Fruit and Branch in Natural Scenes for Citrus Harvesting Robot Using Machine Vision and Support Vector Machine”, International Journal of Agricultural and Biological Engineering, Vol. 7 No. 2:115-121, April 2014.

[6] Maesaroh, “Tiga Jenis Buah-Buahan Ini Jadi Andalan Ekspor Indonesia”, 13 April 2014, tersedia di https://ekbis.sindonews.com/

read/853574/34/tiga-jenis-buah-buahan-ini-jadi-andalan-ekspor-indonesia-1397374803, [akses 21 Desember 2017].

[7] Pawit Rianto dan Agus Harjoko, “Penentuan Kematangan Buah Salak Pondoh Di Pohon Berbasis Pengolahan Citra Digital”, IJCCS, ISSN: 1978-1520 , Vol.11, No.2, July 2017, pp. 143-154.

[8] Roni Kastaman dkk., “Aplikasi Pengolah Citra dengan Basis Fitur Warna “RGB” untuk Klasifikasi Buah Manggis”, Jurnal Bionatura, Vol. 10, No. 3, November 2008 : 273 - 291.

[9] RD. Kusumanto, Wahyu S. Pambudi dan Alan N. Tompunu, “Aplikasi Sensor Vision untuk Deteksi MultiFace dan Menghitung Jumlah Orang”, Seminar Nasional Teknologi Informasi & Komunikasi Terapan 2012 (Semantik 2012) ISBN 979 - 26 - 0255 - 0, Semarang, 23 Juni 2012. [10] Selvia F. K., Ratri E. P. dan Rohman D., “Otomatisasi Klasifikasi

Kematangan Buah Mengkudu Berdasarkan Warna Dan Tekstur”, Jurnal Ilmiah Teknologi Sistem Informasi 3 (1) 17-23, ISSN 2502-3357 (Online), 21 Februari 2017.

[11] Sustiono dan Wahyu Setyo Pambudi, “Rancang Bangun Alat Pemilahan Kualitas Kematangan Buah Naga Mengunakan Teknik Image Prosessing Dengan Metode Image Segmentation HSV”, Jurnal Sains dan Informatika ISSN: 2460-173X, Volume 1, Nomor 2, Nopember 2015. [12] Wbp, “Tips Mengetahui Tingkat Kematangan Buah “, 24 Agustus 2012,

tersedia di http://www.beritasatu.com/tips/67742-tips-mengetahui-tingkat-kematangan-buah.html, [akses 21 Desember 2017].

[13] Z. May and M. H. Amaran, “Automated Ripeness Assessment of Oil Palm Fruit Using RGB and Fuzzy Logic Technique”, Mathematical Methods and Techniques in Engineering and Environmental Science Conference, ISBN: 978-1-61804-046-6, 2011.