1.
2.
DAFTAR ISI
Pemanfaatan
Mikrokontroler
AT89S5l
sebagai Penggeser Fasa pada AntenaArray
Rikki
Vitria
...1_14
Pengendali
Beban
Listrikmenggunakan
Hand
Phonemelalui
Misscall:
Ahmad Bahd
Joni
Malyan,
SurfaYondri
...15-24
3-
Penguatan
Sinyal
Gl:bal
Systemfor
Mobite
Communication
{GSM)
menggunakanAntena
Yag
14
Elemen
:
Firdaus,
Ratra Dewi
,
Rikid
vitria,
Lifirrarda
4.
5.
6.
Rancang
Bangun Sistem
Informasi
BatamChaining
berbasis
Mobile
:
Hamsir,Directory
*ii:
menggunakanMetode Backward
Y
:::i:
*:,ffi'
7.
Modified
SweepAlgorithm for
Route
Selectionin
Public Bus Routing problem
Using
Fruzry
Data:
GunadiWidi
Nurcahyo, Alexyusandria
..
...49_56Implementasi
WEB
Camera sebagaiVisual
Inspection Otomatis untuk
proses pemutuan*::
iI
:':*::
:::1i::
::1
:::::'
*i::l:::i::
:*
i:::
::H1,#
Sinusoidal
Noise
Cancelation dengan menggunakanDigital
Signal Processing StarterKit
TMS320C6713
:Yultrisna,
Andi
Syofian..
...67_748-
SistemInfornasi
Umpan
Balik
Proses BetajarMengajar
terhadap Staf Pengajar BerbasisWEB
pada Jurusan
Teknologi Informasi Politeknik Negeri
Padang:
-Yulherniwati,
Rasyidah, Ronal
Hadi'Rika
Idmayanti
..,..75_g49.
Sistem
Informasi
Kearsipan
Politeknik Negeri
Padang
Berbasis
WEB
:
Rasyidah,Yulherniwati,
RonalHadi,
Meri
Azmi
.g5_9410. Sistem
lnformasi Akademik
berbasisWEB
menggunakan PendekatanBerorientasi Objek
pada Jurusan
Teknologi Informasi
Politeknik
Negeri
Padang :RonalHadi, Yulherniwati,
e Elef(tron
JURNAL
ILMIAH
YOUIII:4
I{0110[:2
H]NI:
I]l$lllBlR
2012 I$SI{:2085-6989t. Pemanfaatan Mikrokontroler AT89S51 sebagai Penggeser Fasa pada Antena Array
Rikki
Vitria
...1-14Pengendali
Beban Listrik
menggunakan Hand Phone melaluiMisscall
:
Ahmad Bahri Joni Malyan, Surfa Yondri . .....
._... 15-24Penguatan
sinyal
Global systemfor
Mobile
communicatlon(GSM)
menggunakan AntenaYagi
14 Elemen : Firdaus, Ratna Dewi , RikkiVitria,
Lifivarda ......25-36
Rancang Bangun Sistem Informasi Batam
Directory
menggunakan Metode Backward Chaining berbasis Mobile : Hamsir, Gunadi WNurcahyo, SarjonDefit
...37-48 Modified Sweep Algorithm for Route Selection in Public Bus Routing Problem UsingFuzzyData:
Gunadi Widi Nurcahyo,Alexyusandria
...:...49-56 ImplementasiWEB
Camera sebagaiVisual
Inspection Otomatis
untuk
ProsesPemutuan Ukuran dan Tingkat Kematangan Buah Tomat
;
Andrizal, Dodon Yendri.Aulia Rossalina
...
...57-66Sinusoidal Noise Cancelation dengan menggunakan
Digital
Signal Processing StarterKit
TMS320C67I3: Yultrisn4Andi
Syofian
...67-74 SistemInformasi
umpan
Balik
ProsesBelajar
Mengajar terhadapStaf
pengajarBerbasis
wEB
pada
JurusanTeknologi Informasi Politeknik
Negeri
padang: Yulherniwati, Rasyidah, Ronal Hadi RikaIdmayanti
....75-84 Sistem Informasi KearsipanPoliteknik Negeri
Padang BerbasiswEB
:
Rasyidah, Yulherniwati, Ronal Hadi, MeriA2mi...
...!...;::B5-94 Sistem Informasi Akademik berbasisWEB
menggunakan Pendekatan BerorientasiObjek
pbda Jurusan Teknologi Informasi PoliteknikNegeri
Padang :Ronal Hadi,Yulherniwati, Rika
Idmayanti
..95-l1z
-r-4.
5.
7.
9.
Pelindung Pengarah
Penanggung Jawab
Pimpinan Redaksi Wakil Pimpinan Redaksi f)ewan redaksi
Mifra Bestari
Sirkulasi/S ekretariat
SUSUSAN
REDAKSI
JURNAL ELEKTRON
Direktur Politeknik Negeri Padang
Ketua UPT Penelitian dan Pengabdian Masyarakat
pNp
l.
Ketua Jurusan Teknik elektro 2. Sekretaris Jurusan Teknik Elektro Drs. Roswaldi SK, SST.,M.Kom Era Madona, ST.,M.SC1. Agus Purwadi, ST.,M.T.
2.
Andrizal,ST.,M.T.3. Firmansyah, ST.,M.T
1. DR.
Ariadi
Hazmi (FT Unand Padang) 2. Ir. Moh. Lukman,M.T.
(Politeknik Malang)3. DR. Gunadi
Widi
Nurcahyo, MSC (LJPI-YPTK Padang) 4. DR. Son Kuswadi (PENS-ITS
surabaya)1. Firdaus, ST.,M.T. 2. Yuhedmi Noeva, M.Pd
Alamat
RedaksiSekretariat Jurnal Elektron Jurusan Teknik Elekko Kampus Unand Limau Manis PoliteknikNegeri Padang
Telp :
(0751)
72590Fax(0751) 72s76 Website : http://www.elektro.polinpdg.ac.idIs{?pou usurdurd
zl0z
reqweseq €u?pudu?Aolal Eue.(
e{urner
{u{ol
Euuprq uu_es_terndruo{
.rs?rrun*"rrrr'Hfl]ffiil1J:i
{ltDtol
8ueprq'P
?u4ruol
e{uttu1 p11eus{ eieuol uep rufuEuadgul,
qero u,{rseruoruolduerp{rum
uuSuecuered sosord.,srup
rrlssru 6uez(undne*
un1n 1n11pqte}
6ue.( qeluqJ uesednrln43
uu4rrsued,seq-,seq..gugeqs"
{ntrun Is,rrrroJuJ urporu rr3r3p3 Iur
quru,[ Jsr'nf
uped>1e!QsFuruoltrlr:Bu"p{epuodtr;x#111tTffi
,i1,fifi
;,,f
;l;?T,ffi
H
ureNls
'gl/il
srceqteg 8ueped peEeSlTu{olllod
ueorsruoy rs?urroJuJ ruolsrs .Euepu4 uoEelqTu{o}rrod
rsur,roJrl[FotoultoJ
ussrunf ewdgx,ilrrreqreg
rnfrauodJsls
depeqral rufuEusryrufe1eg sosord 41eg-^uudurS
"no,Jgq
{ue$rs '€Ir,gJ'z€snLL
lIx
rouuls
6urssecor6Fu6rs
plFn
ue>punESusu uuSuep uo"11n1"rur3'sloN
luprosnursleurol
qeng ueEuquua;trp16u11
u,p
wrrullf
u,nln.,od
sosoJd
ruun
sr,,.uolg
uorpodsuJlensr^
ruEeqssuror.',
g.Ltt
rsqueualdu,
,pq
,\zm,
Eurs6lruorqord
Eupnoa
sng
crlqnd
rr
uorlceraso*ou
'ro3
uqluoEly
dsomg pagrpor\i'o*qol{
srsuq.roqgurureqjprern{cag
epo}ew ueluun88usur
'&opo46 urulu'
Is,ruroJut ruolsrs unEueg Euucueg;.;;,
?I
IB?A eueru,unpun'Eueu
0'tsc)
uo!,,)tunwwoc
arqoa
n!
wa,stspqo1,1Jrur,
**nfurr4,110css!ht
rnJule.u auoqdpuog
ueleun8Euou{l4slr
u,qeg
uupuo8ued
'trurry'eualuv
npno usug resoEEuo4ruEeqes
ISS6SJV reJo4uo{oDJrtrA[ ulBBJusruod
: Ie{llju
uep urprol
ru
rsrpeuo4{etg
J"urnfuelodurolsue,{uursl1*,*r,,offr
:lirH;;#;:fif
,;Ty,:frH::i;f
Htrj:"[
Jslpg'uu{lJqrollp
w&p uozraqueso(
Isrpa z roruoN
t
JoA uorpreJgwlruJl
leurnfu'Burqes Bnuos utH upudo{ e.(11-ururue1wp}etuqur sE}B IA1S
rlullv
1erlpsqelrnln{s
mp
IfndISSN :2085-6989
IMPLEMENTASI
WEB
CAMERA
SEBAGAI
VISUAL
INSPECTION
OTOMATIS
T]NTUK PROSES
PEMUTUAN
UI(URAII
DAN
TINGKAT
KEMATAT{GAN
BUAH
TOMAT
Oleh:
Andrizal.l),
DodonYendri2)'Aulia
Rossalina 3), ')J,rotan
Teknik Elektro Politeknik Negeri Padang,,r)Jurusan Sistem Komputer, Fakultas Teknologi Informasi, Universitas Andalas
ABSTRACT
Quality ond
,orrfng
is one method to classify an observed object and the end result of theinspection
process.Quality and sorting
ian
be done manuallyor
automstically whereqrLtry
oni or"
*oirow
sorting can
by
daneby utilizing
the
human set5es'-Qualtty automatically requires
clrtain tiols
suchas the
useof
digitat
camerasto
replace the sensoryfunction'of
the human eye asa
visual inspection.By
usinga digital
camera' the"o*rro"capture
oiiect
images oibtatnedis processed
via
tryat1 processing, the processingtitrri
"oi
buurid o,
an
automatedvisual
inspectionfor
the decision making processiuality
and
sorting. The ability to recognize obiects in theform
of camerapixel
component'can be
usedto
determineihe
sizeind
colir,
while
the
componentscan be
used to determine the level of maturity. This ,system implemented as,outomatic visual inspectioru to determine quality tomatofrui
size and maturity level. Results of testing this system is able to recogni)e tObW,$e
iomatoes and 73% welre able to recognize the young tomatofruit,
the
ovirall
ability of
the systemto
recognize thematurity
levelof
the tomatofruit
wos 86.15%. While thetl*o,toi,
quality test iasedon
class sizewith
large, medium an-d smallwork
1000k. Recognizethe
successrate
offruit
maturity
is greatly
irufluencedby
the currentlighting
obiects tomatoes in cameraciptu'"'
We hope this research can be used as inputaai
pr"the-next
stage as the datainpui to
the system pemutuan and automatically sorting tomatoes.Kelu,ords
:
Visual Inspection, pixel, color, classiJication'Penanganan pasca
produksi
memegang peranan penting dalam penentuan mutuirasil
produk,
terutama kegiatan sortasidan
pemutuan.
Kegiatan sortasi
danp.*uiuutt
dapat dilakukan secara manualseperti
dengan
memanfaatkan
pancaindra manusi4
sedangkansortasi
danpemutuan otomatis
menggunakan alat bantu berupa suatu sistem. Penggunaan panca indravision
manusia pada sistemdengan
menggunakankamera
digital'Hal ini
dilakukan dengan mengolah hasilcapture
gambaryang
didapat
melalui kamera digital.Image
hisil
capture kamera
digitalmengandung
komPonen
Pixel
0-ul komponen warna. Kedua komponenini
dapat
digunakan
untuk
menentukanukuran dan
tingkat
kematangan buahberdasarkan
warna,
sePerti
untukklasifikasi
ukuran
dan
tingkat kematanganbuah
tomat.
Jadi
denganPENDAHULUAI\
pemutuan
manual daPat
digantikan perkembangan metode pelqglahan citra|urnal Elektron Vol 4 No. 2, Edisi Desember 2012
ISSN :2085-6989
dapat
dilakukan
penentuan
tingkatkematansan
dan
ukuran buah
tomat tanpa mJusaknyn.tzotDengan
memanfaatkan
kemamPuanwebcam dan
pengolahancitra
sebagaivisual
inspectionini,
diharapkan dapatdigunakan
untuk
pengklasifikasiantingkat
kematanganbuah
tomat
mudadan
buah
tomat
matang,
dan
ukuran tomat kecil, sedang dan besar.Tanaman
tomat
(LYcoPersicumesculentum
Mill.)
termasuk
famili
Solanaceae merupakan tanaman setahun
yang
berbentnk herbaceas(perdu)
danumunnya
tumbuhbaik
pada ketinggian 600-900m di
atas permukaan laut. Padadataran rendah
tomat
dapat
tumbuhtetapi
umurnya
lebih
singkat
dan produksinyalebih
rendah dibanding di dataran ting$.t1rlPengolahan
Citra
Pengolahan
citra
pada
dasarnyadilakukan dengan
cara
memodifikasi setiaptitik
dalam
citra
yang
bertujuanuntuk
memperbaiki
kualitas
citra sehinggalebih
mudah diinterpretasikanoleh
manusia
dan
mesin
(komputer). Teknik+eknik pengolahan citra biasanya mentransformasikancitra
meniadi
citralain. Jadi
input dan
outputnya
adalah sama-sama birupa citrat2ol.Pixel
Pixel
adalah sebuahtitik
single didalamcitra digital yang
merupakan elemenindividual terkecil
yang
mempunyainilai-nilai
terkuantisasai
yangmerepresentasikan
brightness
dari sebuahwarna pada
sebuahtitik
yang spesifrktTl.Nilai
suatupixel
memiliki
nilai
dalamrentang
tertentu,
dari
nilai
minimum sampai nilai maksimum. Jangkauan yang digunakan berbeda-beda tergantung darijenis
warnanya.Namun
secara umumjangkauannya adalah
0
-
255.
Citradengan
penggambaran
seperti
ini
digolongkan kedalam
citra
integer.Berikut
adalah jenis-jenis
citraberdasarkan
nilai
pixelnya,
sebagai berikut t21l:a.
Citra grayscaleCitra
grayscale disebut
juga
citra keabuan karena pada umumnya warna yang dipakai adalah antara hitam sebagai warnaminimal
dan wamaputih
sebagaiwarna
maksimal, sehingga
wamaantaranya
adalah abu-abu.
Grayscale adalah wama-warnapixel
dalam sebuah gambar yang dikonversi mer{adi gambarabu-abu. Sistem grayscale
hanYamemerlukan
1
byte untuk
menYimPan data, sehingga hanya mempunyai variasi dari 0(hitam) sampai 255(putih).Ada
beberapa
macam
untukmengkonversi
system
warna
RGB menj adi gr ay s c al e yaifix
1.
Dengan
merata-rata
setiaPkomponen warna
R;-Y*.
+- t>'):
2. Dengan
nilai
ma; :
rilaiRGB
Grayscale:
Max[R" B, G]3.
Dengan menggunakanYUV
(systempada NTSC)
yaitu
dengan
cara mengambil komponen Y (iluminasi).Komponen
Y
dapatdiperoleh
darisystem
warna
RGB
dengankonversi:
Grayscale
0.299R
+ 0.587G + 0.1148b.
Citra warna (24bir)Setiap
pixel dari citra
warna
24bitdiwakili
dengan24
bit
sehingga total16777216
variasi warna.
Setiap
poin informasipixel (RGB)
disimpan kedalmI
byte
data.8
bit
pertama menyimpannilai biru
kemudiandi ikuti
dengannilai
hijau
pada8 bit
keduadan
pada8
bit
terakhir merupakan wama merah. Setiap
titik
@ixel)
padacitra
wama mewakili
warna
yang
merupakan kombinasi daritiga
warna dasaryaitu
merahhijau
birucitra RGB
(Red
Green
Blue).
SetiaPwarna
dasar
mempunyai
intensitassendiri
dengannilai
maksimum255
(8 bit).ISSN:2085-6989
Red
:
warna
minimal maksimal merahGreerrwama
minimal maksimal h{iauBlue
=
wama
minimal maksimal biruXi=o
tti=P(t<i)
0<
jsl
b.
Puncak
histogram
menunjukanintensitas
Pixel
Yang
menonjol'tebar dari
Puncak
menunjukan rentang kontrasdari
suatu gambar'Citra yamg
memPunYai
kontrasyang terlalu
terang
(overexposed)atau
terlalu
gelap
{underexposed)memiliki
histogram
Yang
semPit'HistogramnYa
terlihat
hanYa menggunakan setengahdari
daerahderajat
keabuaan.Citra
Yang baikmemiliki
histogram Yang
mengisidaerah derajat
keabuaan
secarapenuh.
putih,
wamaputih,
wama [image:7.612.55.598.50.824.2] [image:7.612.296.496.66.537.2]putitr,
warnaGambar 1. Peiletaan RGB Yang
dicamPurkan
I{istogram
Citra
Histogam
citra
adalah
grafik
Yaxg menggambarkau' * penyebarannilainilai
intensitas
pixel
dati
suatu
citra
ataubagian tertentu
di
dalam
citra'
Darir"t,rutt
histogram
daPat
diketahuifrekuensi
kemunculan
nisbi
(relative)dari
intensitas
pada
citra
tersebut'Histogram
juga
daPat
menunjukanbanyak
hal
tentang
kecerala1 (brightness) dan kontras(contrast)
dan sebuah gambar.Karena
itu,
histogram adalahalat
bantuyang
berharga daiam pekerjaan' pebgolahancitra
baik
secara kualitatif maupun kuantitatif.Histogram
citra
banyak
memberikaninformasi penting sebagai berikut
:''"
a.
Nilai hi
menYatakan
Pluang(probabilitY)
Pixel,
P('),
dengan derajat keabuaani.
Jumlah seluruhnilai hi
sama dengan dengan l,atau L*7Yhi
a
Peluang suatu pixel
memiliki
derajatkeabuan
lebih
kecil
atau
samadengan
derajat
keabuan
tertentu adalahjumlah
hi,
untuk
0
<
i
Sj,
atauGambar 2. CittaDengan Hitogramnya
METODOLOGI PEIYELITIAN
Visual
inspection terhadap suatu objek dapat dilaLukan dengan mengenaliciri-ciri
dari
objek yang diamati
tersebutmelalui
pancaindra
misalnya
melaluimata.
Penggunaanweb camera
daPatdigunakan sebagai Pengganti
Bg:l
mita
untuk mengamati buah tomat' Hasilcitra
capture
dari
kamera
diolahb.
HistogramISSN :2085-6989
menggunakan pengolahan
ciha
untuk mendapatkanciri-ciri dari
objek
buahtomat.
Adapun
komponen
citra
yang dapat digunakan adalah :a.
Pixel
digunakan
untukmenentukan ukuran. Jumlah
pixel
dari
suatu
objek
buah
tomatyang
diamatijika jarak
kameradengan
objek tetap
akanberbanding
lurus
dengan ukuran dari objek yang diamati.b.
Komponen wama
Red,
Greendan Blue (RGB) digunakan untuk menentukan
tingkat
kematangan. Unsur-unsur RGB yang terbentukdari
buah tomat muda
(belum masak) dan buah matang (masak) dapat digunakan sebagai penentu tingkat kematangan.HASIL PEI\IELITIAN
Pengambilan
keputusan
pada perancangan softwareini
yaitu
mencariselisih
pixel
pada
data
sampel
untuk menentukan ukuran tomatkecil,
sedangdan
besar.
Untuk
menentukan 'tomat masak dan tomat muda ditentukan olehnilai
Red
A)
atau
Green
(G)
yang dominan.Pengujian
dilakukan
untuk
mengetahui apakah program dapat berjalan sebagai mana mestinya. Selainitu
menganalisa terhadap data-datayang diperoleh
darisistem
saat
dijalankan.
Sehingga didapatkan kesimpulan bagaimana hasil pendeteksian kematangandan
ukuran buah tomat tersebut.Pada pengujian sistem
yang
dilakukan, menggunakandata yang
berasal
dari [image:8.612.78.522.81.756.2]webcame
external dengan
format gambaryang
dihasilkan adalah bitmap ukuran gambar yang ditangkap 640x480pixel.
Gambar
yang
diambil
adalah gambar tomat matang dan gambar tomat muda dengan ukuran yang berbeda-bedauntuk
setiaptingkat
kematangan (kecil, sedang, besar). Peng-capture-an gambardiambil
satusisi, sisi
depan saja. DanJarak
antara
tomat
dengan
webcame dibuat konstan,yaitu22
cm.Sistem yang dibuat menggunakan bahasa
pemrograman
Delphi.
Sistemini
terdiri
dari
5
form
menu,
setelah
sistemdijalankan
yang
akan
muncul
pertamasekali yaitu
form
menu utama
yaituberisi
menu
progam
dan
judul
dari sistem yang dibuat.Gambar 4. Form Menu Utama
Gambar 5. Form Entry data base
Gambar 3.
Blok
diagram sistemISSN:2085-6989
Table 4. Nilai dari Data Sampel Tomat Muda
-
BesarTable 5. Nilai dari Data Sampel Tomat
[image:9.612.54.558.66.794.2]Muda-
SedangGambar 8. Hasil dari Pengambilan Data Tomat Matang
-
BesarNo.l
pada TabelI
PEMBAHASAN
Setelah didapatkan
data
sampel
yangdijadikan
referensi,
lalu
dilakukanpengujian
terhadapobjek
buah
tomat.Untuk
buah tomat
matang-besardilakukan pengujian
sebanyak20
kali.Dari
20
data
tersebut
teridentifikasi sebanyak 9 kali.Gambar 9. Pendeteksian Tomat Matang-Besar
Untuk buah tornat
matang-sedangdilakukan
uji
identifikasi
sebanyak 12kali
Dari
hasil pengujian tersebut sistimmampu
mendeteksi secara keseluruhanatat
12 kali terdeteksi dengan benar. Table 6. Nilai dari Data Sampel TomatMuda-
Kecilfr{HrsF&ks
E-' ,.sr i:;il .. 6mBr iEFi -- H.dFr6i:--h+KrybeTlM l{*sM"s.@
r+r* r4b
Kode Red (R) Green (G) Blue (B) Pixel Grayscale (PG)
0019 12575866 12786224 8427103 73261
0020 12689935 t3201649 8400034 80312
0021 10732732 11122479 6772s08 68840 0022 97 t7112 1m10426 6802404 73536 0023 13731497 13952464 9004252 90711 0024 12509729 12978118 8486793 89363
Rata-Rata 11992812 12375227 7982182 79337.17 Kode Red (R) Green (G) Blue (B) Pixel Grayscale (PG)
0025 8s76866 91282s9 6016689 66749 0026 79802(n 8376530 5536855 63103
0027 87396s4 917:t,190 s971006 64344
0028 799M75 8283194 5526s13 s7139 0029 7921286 8220',117 s4s8967 531 53
0030 8869350 9175307 5756960 62215
Rata -Rata
8347805 8725866 571 1 16s 6l I 17.1s
tr
tr,
t
Kod e Red (R) Green (G) Blue (B) Pixel Grayscale rPG) 0031 527027 5 5599257 400973 9 40190 0032 32t708 I 33s1319 249449 5
3l 884
0033 402101
J
4249527 305 I 69 2 31428 0034 ss2t29 6 5854731 404934 0 42801 0035 470426 6 4947879 346486 J 3M'75 0036 5 13893
J 5427898 363477 I 44893 Rata-Rata 464547 7 4905102 345081 7 37945.17
[image:9.612.320.513.105.264.2]E
Gambar 10. Pendeteksian Tomat Matang-Sedang
Untuk
buah tomat matang-kecil diambildata identifikasi
sebanyakll
kaii
datauji,
dimana
dari
11
data
uji
tersebut teridentifikasi sebanyak1l
kali.Gambar 11. Pendeteksian Tomat Matang-Kecil
Untuk
buahtomat
muda-besar diambil data identifikasi sebanyak 10 buah data,dari
10
data
tersebut
teridentifikasi sebanyak 10 data.Untuk
buah tomat muda-sedang diambil data identifikasi sebanyak 12 buah data,dari
12
data
tersebut
teridentifikasi sebanyak 12data.Gambar 13. Pendeteksian Tomat Muda-Sedang
Untuk
buah tomat muda-kecil
diambil data identifikasi sebanyak 12 buah data,ISSN:2085-6989
dari 12
data
tersebut
teridentifikasi sebanyak 3 kali.hrr . trini__
h{r6lcil-ld
rb*ij: j _ :rdlns
,
f-".,''..,,f
;,.
I
,
,"*iiE tu h
f,,*-:F-Gambar 14. Pendeteksian Tomat
Muda-Kecil
Pada
65
kali
pengujian data diatas, 56kali
pengujian
yang
berhasil
dideteksi sedangkan9 kali
belum
berhasil yaitu untukuji
tomat muda-kecil.Dari
32kali
pendeteksian tomat matang dari berbagai ukuran (besar, sedang dan
kecil)
berhasilmengidentifikasi
l00o/o,
sedangkanuntuk tomat
muda,
yang
berhasil teridentifikasi25
kali
dafi34
pengujianyaitu
73o/o. Persentase
keberhasilan keseluruhantomat
matang
dan
muda adalah:Hasil pengujian yang berhasil x 100%
Total Pengujian 56
x
100%o: 86,15 o/oo)
Tingkat keberhasilan pengujian terhadap keseluruhan tomat adalah sebesar 86,15 %. Pengujian yang dilakukan pada tomat
yang
tidak
teridentifikasi
itu
adalahtomat muda
(warna
hrjau)
yang berukuran kecil, halini
dipengaruhi olehfaktor
cahaya
pada sekeliling
buah tomat. Secara keseluruhan cahaya sangat mempengaruhi sistem image processingini
dalam
mengklasifikasi
tingkatkematangan.
Sedangkan
untukpengklasifikasian
tomat
berdasarkan ukuran berhasil teridentifikasi 1 00%.KBSIMPULAN
Dari
hasil pengujian yang dilakukan dan analisa tentang pendeteksian kematangan Gambar 12. Pendeteksian Tomat1.
ISSN :2085-6989
dan
ukuran buah
tomat
maka
dapat ditarik kesimpulan sebagai berikut:Sistem
atau
program sudah
dapatmembedakan
antara tomat
masak (matang) danmuda (belum
matang) untuk tingkat kematangan, sedangkanuntuk
ukuran tomat
sudah
dapat dipisahkanmenjadi
tiga
kelas, yaitu kecil, sedang dan besar.Untuk
pendeteksian
tomatberdasarkan ukuran sudah sangat baik
karena
tomat yang
dideteksi
olehsistem
ini
hampir sama
dengan klasifikasi visual penglihatan manusia secara umum.3.
Pendeteksian
untuk
tingkatkematangan
tomat
dipengaruhi oleh pencahayaansaat capture,
dimana persentasi keberhasilan pendeteksian tomat masak sebesar 100% sedangkanpada
pendeteksian
tomat
belum masak sebesar'l3o/o.SARAI\
1.
Untuk
klasifikasi
tingkatkematangan
perlu
diaturpencahayaan yang tepat pada saat
capture
objeh
karena
sangat mempengaruhi hasi I identifi kasi.2.
Tindak
lanjut
penelitian
ini
adalah
dengan
mengabungkan sistemini
dengan sistem selektor otomatis.DAFTAR PUSTAKA
[]Adhi,
Tria Wijaya
danYudi
Prayudi.2010.
Implementasi
Visi
Komputerdan
Segmentasi
Citra
untukKlasifikasi Bobot Telur
Ayam
Ras.Jurnal
seminar
nasionalaplikasiteknologi
informasi
(SNATI), http:i/scribd.com, Diakses tanggal I 1AprilZALZ
[2]Achmad,
Balza.
2005.
TeknikPengolahan
Citra
Digital
Me nggunkan D e lp hi. Jakarta
[3]Ahmad,
Usman. 2A05.
PengolahanCitra Digital &
TeknikPemrogramannya.
Graha
llmu,
Yogyakarta
[4] Anonymou s. Cffra. FttplZdqvvnlgg{LgQ m/se gmentas i/pen g%20citra%2 0d gita l.htm, Diakses tanggal
5
April20l?
[5]Anonymous.
Landasan
Teori. fttp ://download. com/j bptunikompo-gdl-s I-2007-alanbudiha-6252-bab-gedf
Diaksestanggal2
Apnl2Al?
[6]Anonymous.
Tanpa
tahun.Pengolahan
http://download.com/S e smentastyo2} Citr aoh20 forohTl 5 5 7 2
1048-PeneolahanCitra.htm. Diakses tanggal 5
April2012
[7]Anonymous. 2007. Pengolahan
Citra
Digital.
http ://download. com/wikipedia-Pen golahanCitraDigital.htm" Diakses tanggal
5
April20l2
[8]Anonymous.
Tanpa
tahunSegmentasi
Citra
Digital
.http://www.scribd.com/chick ennita/d/79749059/60-Seementasi-Citra. Diakses tanggal25
April10l?
[9]Fadlisyah.
2004.
Computer
Visiondan
Pengolahan
Citra.
Andi,
Yogyakarta
[10]Gonzales, wood. 1993.
Citra
Digital
dan
Implementasinya.
Erlangga, Jakarta[1 1]Hestiningsih,
Pengolahan
ldhawati.
2009. Citra. http ://www. google.com/---idhawatihe-47- I -peneolah-a/pdf, Diakses tanggal
2
Apil2012
[l2]Herd,
Bagus
Firmanto.
2011.Sukses
Bertanam
Tomat
Secara. Angkasa, Bandung[l3]Heru, Yoyok.
PerancanganSoftware Capture
dan
Segmentasi, Halaman l2T-131. http://scribd.com. Diakses tanggal26
Aprll2012
[14]Iswahyudi, Catur.
2010.
PrototypeAplikasi Untuk
Mengukur2.
Kematangan
Buah
Apel
BerdasarKemiripan
Wama.Juinal
rrlotm
lknologi
Industri Institut
Sains&
llknolagi
AK2RIND
yogtakarraTidak diterbitkan
[5]Jaia
Anil
K.
19g9. Fundomentals o/.\isjjyt
Image processing.n"nil._
Hall
lntemational.[16]Kusnaariyanto.
2011.
Beloiar
lemrograman
Delphi.
tUoJuiu, Bandung[17]P_ressman, Roger
S.
2002. RekavasaPerangkat
Lurnk
p"na",{oionpraktisi
(Buku Satu).
a"Ji,
Yogyakarta
[18]Rangkuti, Haris dan
Marimin.
200g.Analisis
Citra
Auah_Br,;i;n
*"So!
Algoritma
Fagin
;;"
Threshold.
Jumal
nasionalupfi["ri
teknotogi
(SNATI).http:/sqribd.com.
Diakes
i"iii i
Aprit
Z0t2
[i9]Rijal,
yusron dan Riza
DhianAriefianto.
Deteksi Wajah BerbasfsSegmentasi
Modei W;;;
Menggunakan Template
Uor"l,iirn
P-d"
Objek
Birgemk.
i.;:
Seminar Nasional
apfikJ
Teknotogi Informasi
ZOO8fsNaii
2008).
http://script.com
bi"f.r.,
tanggal26
Anil}Otz
[20]Sutoyo.
2009.Citro
Digital.
Graha ilmu, Yogyakarta[2l]Munir, Rinaldi.
2004. pengolahanCitrq
Digital
dengan
pe;deka;;;
Al
gori tmat ik. Informatika, BandungB2lTim Bina
Karya
Tani.
200:9.Budidaya Tanaman.
yrama
WiOya,Bandung
[23]Thiang
Leonardus
Indrotanoto. 2008.
Otomatisasipenxah
aiii
Tomat Berdasarkan (Jkuran
clanWarna
Menggunakan
WencimSebagai
Sensor.
Jurnal ,"miru.
nasional
ilmu
komputer
danaplikasinya
(SMKA).
bttp_:4sc-ribd.com.
Diakses
;"ig;i
1l
JuIi20t2
ISSN :2085 -6989
[24]Wibisono,
Seryawan.
2009.Klasifikasi
Tingkat Ketuaan Caie
Merah
B,esar'!$p:/, /wrly,p-Qgle. com{i urna uraKses
tanqgal
I
April
Z0l2
furnalElektronvol+ffi