Implementasi WEB Camera Sebagai Visual Inspection Otomatis untuk Proses Pemutuan Ukuran dan Tingkat Kematangan Buah Tomat.

(1)

1.

2.

DAFTAR ISI

Pemanfaatan

Mikrokontroler

AT89S5l

sebagai Penggeser Fasa pada Antena

Array

Rikki

Vitria

...1_14

Pengendali

Beban

Listrikmenggunakan

Hand

Phone

melalui

Misscall:

Ahmad Bahd

Joni

Malyan,

Surfa

Yondri

...15-24

3-

Penguatan

Sinyal

Gl:bal

System

for

Mobite

Communication

{GSM)

menggunakan

Antena

Yag

14

Elemen

:

Firdaus,

Ratra Dewi

,

Rikid

vitria,

Lifirrarda

4.

5.

6.

Rancang

Bangun Sistem

Informasi

Batam

Chaining

berbasis

Mobile

:

Hamsir,

Noise

Cancelation dengan menggunakan

Digital

Signal Processing Starter

Kit

TMS320C6713

:

Yultrisna,

Andi

Syofian..

_{...67_74}

8-

Sistem

Infornasi

Umpan

Balik

Proses Betajar

Mengajar

terhadap Staf Pengajar Berbasis

WEB

pada Jurusan

Teknologi Informasi Politeknik Negeri

Padang:

-Yulherniwati,

Rasyidah, Ronal

Hadi'Rika

Idmayanti

_{..,..75_g4}

9.

Sistem

Informasi

Kearsipan

Politeknik Negeri

Padang

Berbasis

WEB

:

Rasyidah,

Yulherniwati,

Ronal

Hadi,

Meri

Azmi

_{.g5_94}

10. Sistem

lnformasi Akademik

berbasis

WEB

menggunakan Pendekatan

Berorientasi Objek

pada Jurusan

Teknologi Informasi

Politeknik

Negeri

Padang :Ronal

Hadi, Yulherniwati,

(2)

e Elef(tron

JURNAL

ILMIAH

YOUIII:4

I{0110[:2

H]NI:

I]l$lllBlR

2012 _{I$SI{:2085-6989}

t. Pemanfaatan Mikrokontroler AT89S51 sebagai Penggeser Fasa pada Antena Array

Rikki

Vitria

...1-14

Pengendali

Beban Listrik

menggunakan Hand Phone melalui

Misscall

:

Ahmad Bahri Joni Malyan, Surfa Yondri . ..

...

_{._... 15-24}

Penguatan

sinyal

Global system

for

Mobile

communicatlon

(GSM)

menggunakan Antena

Yagi

14 Elemen : Firdaus, Ratna Dewi , Rikki

Vitria,

Lifivarda ...

...25-36

Rancang Bangun Sistem Informasi Batam

Digital

Signal Processing Starter

Kit

TMS320C67I3: Yultrisn4

Andi

Syofian

...67-74 Sistem

Informasi

umpan

Balik

Proses

Belajar

Mengajar terhadap

Staf

pengajar

Berbasis

wEB

pada

Jurusan

Teknologi Informasi Politeknik

Negeri

padang: Yulherniwati, Rasyidah, Ronal Hadi Rika

Idmayanti

_....75-84 Sistem Informasi Kearsipan

Politeknik Negeri

Padang Berbasis

wEB

:

Rasyidah, Yulherniwati, Ronal Hadi, Meri

A2mi...

...!...;::B5-94 Sistem Informasi Akademik berbasis

WEB

menggunakan Pendekatan Berorientasi

Objek

pbda Jurusan Teknologi Informasi Politeknik

Negeri

Padang :Ronal Hadi,

Yulherniwati, Rika

Idmayanti

..95-l1z

-r-4.

5.

7.

9.

(3)

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.SC

1. 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

Redaksi

Sekretariat Jurnal Elektron Jurusan Teknik Elekko Kampus Unand Limau Manis PoliteknikNegeri Padang

Telp :

(0751)

72590Fax(0751) 72s76 Website : http://www.elektro.polinpdg.ac.id

(4)

Is{?pou usurdurd

zl0z

reqweseq _€u?pud

u?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 rufuEuad

gul,

qero u,{rseruoruolduerp

{rum

uuSuecuered sosord

.,srup

rrlssru 6uez(

undne*

un1n _1n11p

qte}

_{6ue.( qeluqJ uesednrl}

n43

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 peEeSl}

Tu{olllod

ueorsruoy rs?urroJuJ _{ruolsrs .Euepu4 uoEelq}

Tu{o}rrod

rsur,roJrl[

FotoultoJ

_{ussrunf ewd}

gx,ilrrreqreg

rnfrauodJsls

_{depeqral rufuEusry}

rufe1eg sosord 41eg-^uudurS

"no,Jgq

{ue$rs '€Ir,gJ'z€snLL

lIx

rouuls

6urssecor6

Fu6rs

plFn

ue>punESusu _{uuSuep uo"11n1"rur3}

'sloN

luprosnurs

leurol

qeng ueEuquua;tr

p16u11

u,p

wrrullf

u,nln.,od

sosoJd

ruun

sr,,.uolg

_uorpodsuJ

lensr^

ruEeqss

uror.',

g.Ltt

rsqueualdu,

,pq

,\zm,

_Eurs6l

ruorqord

Eupnoa

sng

crlqnd

rr

_uorlceras

o*ou

'ro3

uqluoEly

dsomg pagrpor\i

'o*qol{

_srsuq.roq

gurureqjprern{cag

epo}ew ueluun88usur

'&opo46 urulu'

_Is,ruroJut_{ruolsrs unEueg Euucueg}

;.;;,

?I

IB?A eueru,

unpun'Eueu

0'tsc)

uo!,,)tunwwoc

arqoa

n!

_wa,sts

pqo1,1Jrur,

**nfurr4,110css!ht

_rnJule.u_auoqd

puog

ueleun8Euou

{l4slr

u,qeg

uupuo8ued

'trurry'eualuv

_{npno usug resoEEuo4}

ruEeqes

ISS6SJV reJo4uo{oDJrtrA[ _ulBBJusruod

: Ie{llju

uep urprol

ru

rsrpe

uo4{etg

_J"urnf

uelodurolsue,{uursl1*,*r,,offr

:lirH;;#;:fif

,;Ty,:frH::i;f

Htrj:"[

Jslpg'uu{lJqrollp

w&p uozraqueso(

Isrpa z roruoN

t

_{JoA uorpreJg}

wlruJl

leurnfu'Burqes Bnuos utH _{upudo{ e.(11-ururue1wp}

}etuqur sE}B _IA1S

rlullv

_1erlpsqel

rnln{s

mp

_Ifnd

(5)

ISSN :2085-6989

IMPLEMENTASI

WEB

CAMERA

SEBAGAI

VISUAL

INSPECTION

OTOMATIS

T]NTUK PROSES

PEMUTUAN

UI(URAII

DAN

TINGKAT

KEMATAT{GAN

BUAH

TOMAT

Oleh:

Andrizal.l),

Dodon

Yendri2)'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 the

inspection

process.

Quality and sorting

ian

be done manually

or

automstically where

qrLtry

oni or"

*oirow

sorting can

by

dane

by utilizing

the

human set5es'

-Qualtty automatically requires

clrtain tiols

such

as the

use

of

digitat

cameras

to

replace the sensory

function'of

the human eye as

a

visual inspection.

By

using

a digital

camera' the

"o*rro"capture

oiiect

images oibtatned

is processed

via

tryat1 processing, the processing

titrri

"oi

bu

urid o,

an

automated

visual

inspection

for

the decision making process

iuality

and

sorting. The ability to recognize obiects in the

form

of camera

pixel

component'

can be

used

to

determine

ihe

size

ind

colir,

while

the

components

can be

used to determine the level of maturity. This ,system implemented as,outomatic visual inspectioru to determine quality tomato

frui

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 tomato

fruit,

the

ovirall

ability of

the system

to

recognize the

maturity

level

of

the tomato

fruit

wos 86.15%. While the

tl*o,toi,

quality test iased

on

class size

with

large, medium an-d small

work

1000k. Recognize

the

success

rate

of

fruit

maturity

is greatly

irufluenced

by

the current

lighting

obiects tomatoes in camera

ciptu'"'

We hope this research can be used as input

aai

pr"the-next

stage as the data

inpui to

the system pemutuan and automatically sorting tomatoes.

Kelu,ords

:

Visual Inspection, pixel, color, classiJication'

Penanganan pasca

produksi

memegang peranan penting dalam penentuan mutu

irasil

produk,

terutama kegiatan sortasi

dan

pemutuan.

Kegiatan sortasi

dan

p.*uiuutt

dapat dilakukan secara manual

seperti

dengan

memanfaatkan

panca

indra manusi4

sedangkan

sortasi

dan

pemutuan otomatis

menggunakan alat bantu berupa suatu sistem. Penggunaan panca indra

vision

manusia pada sistem

dengan

menggunakan

kamera

digital'

Hal ini

dilakukan dengan mengolah hasil

capture

gambar

yang

didapat

melalui kamera digital.

Image

hisil

capture kamera

digital

mengandung

komPonen

Pixel

0-ul komponen warna. Kedua komponen

ini

dapat

digunakan

untuk

menentukan

ukuran dan

tingkat

kematangan buah

berdasarkan

warna,

sePerti

untuk

klasifikasi

ukuran

dan

tingkat kematangan

buah

tomat.

Jadi

dengan

PENDAHULUAI\

pemutuan

manual daPat

digantikan perkembangan metode pelqglahan citra

|urnal Elektron Vol 4 No. 2, Edisi Desember 2012

(6)

ISSN :2085-6989

dapat

dilakukan

penentuan

tingkat

kematansan

dan

ukuran buah

tomat tanpa mJusaknyn.tzot

Dengan

memanfaatkan

kemamPuan

webcam dan

pengolahan

citra

sebagai

visual

inspection

ini,

diharapkan dapat

digunakan

untuk

pengklasifikasian

tingkat

kematangan

buah

tomat

muda

dan

buah

tomat

matang,

dan

ukuran tomat kecil, sedang dan besar.

Tanaman

tomat

(LYcoPersicum

esculentum

Mill.)

termasuk

famili

Solanaceae merupakan tanaman setahun

yang

berbentnk herbaceas

(perdu)

dan

umunnya

tumbuh

baik

pada ketinggian 600-900

m di

atas permukaan laut. Pada

dataran rendah

tomat

dapat

tumbuh

tetapi

umurnya

lebih

singkat

dan produksinya

lebih

rendah dibanding di dataran ting$.t1rl

Pengolahan

Citra

Pengolahan

citra

pada

dasarnya

dilakukan dengan

cara

memodifikasi setiap

titik

dalam

citra

yang

bertujuan

untuk

memperbaiki

kualitas

citra sehingga

lebih

mudah diinterpretasikan

oleh

manusia

dan

mesin

(komputer). Teknik+eknik pengolahan citra biasanya mentransformasikan

citra

meniadi

citra

lain. Jadi

input dan

outputnya

adalah sama-sama birupa citrat2ol.

Pixel

adalah sebuah

titik

single didalam

citra digital yang

merupakan elemen

individual terkecil

yang

mempunyai

nilai-nilai

terkuantisasai

yang

merepresentasikan

brightness

dari sebuah

warna pada

sebuah

titik

yang spesifrktTl.

Nilai

suatu

pixel

memiliki

nilai

dalam

rentang

tertentu,

dari

nilai

minimum sampai nilai maksimum. Jangkauan yang digunakan berbeda-beda tergantung dari

jenis

warnanya.

Namun

secara umum

jangkauannya adalah

0

-

255.

Citra

dengan

penggambaran

seperti

ini

digolongkan kedalam

citra

integer.

Berikut

adalah jenis-jenis

citra

berdasarkan

nilai

pixelnya,

sebagai berikut t21l:

a.

Citra grayscale

Citra

grayscale disebut

juga

citra keabuan karena pada umumnya warna yang dipakai adalah antara hitam sebagai warna

minimal

dan wama

putih

sebagai

warna

maksimal, sehingga

wama

antaranya

adalah abu-abu.

Grayscale adalah wama-warna

pixel

dalam sebuah gambar yang dikonversi mer{adi gambar

abu-abu. Sistem grayscale

hanYa

memerlukan

1

byte untuk

menYimPan data, sehingga hanya mempunyai variasi dari 0(hitam) sampai 255(putih).

Ada

beberapa

macam

untuk

mengkonversi

system

warna

RGB menj adi gr ay s c al e y

aifix

1.

Dengan

merata-rata

setiaP

komponen warna

R;-Y*.

+- t>'

):

2. Dengan

nilai

ma; :

rilai

RGB

Grayscale:

Max[R" B, G]

3.

Dengan menggunakan

YUV

(system

pada NTSC)

yaitu

dengan

cara mengambil komponen Y (iluminasi).

Komponen

Y

dapat

diperoleh

dari

system

warna

RGB

dengan

konversi:

Grayscale

0.299R

+ 0.587G + 0.1148

b.

Citra warna (24bir)

Setiap

pixel dari citra

warna

24bit

diwakili

dengan

24

bit

sehingga total

16777216

variasi warna.

Setiap

poin informasi

pixel (RGB)

disimpan kedalm

I

byte

data.

8

bit

pertama menyimpan

nilai biru

kemudian

di ikuti

dengan

nilai

hijau

pada

8 bit

kedua

dan

pada

8

bit

terakhir merupakan wama merah. Setiap

titik

@ixel)

pada

citra

wama mewakili

warna

yang

merupakan kombinasi dari

tiga

warna dasar

yaitu

merah

hijau

biru

citra RGB

(Red

Green

Blue).

SetiaP

warna

dasar

mempunyai

intensitas

sendiri

dengan

nilai

maksimum

255

(8 bit).

(7)

ISSN:2085-6989

Red

:

warna

minimal maksimal merah

Greerrwama

minimal maksimal h{iau

Blue

=

wama

minimal maksimal biru

Xi=o

tti=P(t<i)

0<

jsl

b.

Puncak

histogram

menunjukan

intensitas

Pixel

Yang

menonjol'

tebar dari

Puncak

menunjukan rentang kontras

dari

suatu gambar'

Citra yamg

memPunYai

kontras

yang terlalu

terang

(overexposed)

atau

terlalu

gelap

{underexposed)

memiliki

histogram

Yang

semPit'

HistogramnYa

terlihat

hanYa menggunakan setengah

dari

daerah

derajat

keabuaan.

Citra

Yang baik

memiliki

histogram Yang

mengisi

daerah derajat

keabuaan

secara

penuh.

putih,

wama

putih,

wama [image:7.612.55.598.50.824.2] [image:7.612.296.496.66.537.2]

putitr,

warna

Gambar 1. Peiletaan RGB Yang

dicamPurkan

I{istogram

Citra

Histogam

citra

adalah

grafik

Yaxg menggambarkau' * penyebaran

nilainilai

intensitas

pixel

dati

suatu

citra

atau

bagian tertentu

di

dalam

citra'

Dari

r"t,rutt

histogram

daPat

diketahui

frekuensi

kemunculan

nisbi

(relative)

dari

intensitas

pada

citra

tersebut'

Histogram

juga

daPat

menunjukan

banyak

hal

tentang

kecerala1 (brightness) dan kontras

(contrast)

dan sebuah gambar.

Karena

itu,

histogram adalah

alat

bantu

yang

berharga daiam pekerjaan' pebgolahan

citra

baik

secara kualitatif maupun kuantitatif.

Histogram

citra

banyak

memberikan

informasi penting sebagai berikut

:''"

a.

Nilai hi

menYatakan

Pluang

(probabilitY)

Pixel,

P('),

dengan derajat keabuaan

i.

Jumlah seluruh

nilai hi

sama dengan dengan l,atau L*7

Yhi

a

Peluang suatu pixel

memiliki

derajat

keabuan

lebih

kecil

atau

sama

dengan

derajat

keabuan

tertentu adalah

jumlah

hi,

untuk

0

<

i

S

j,

atau

Gambar 2. CittaDengan Hitogramnya

METODOLOGI PEIYELITIAN

Visual

inspection terhadap suatu objek dapat dilaLukan dengan mengenali

ciri-ciri

dari

objek yang diamati

tersebut

melalui

panca

indra

misalnya

melalui

mata.

Penggunaan

web camera

daPat

digunakan sebagai Pengganti

Bg:l

mita

untuk mengamati buah tomat' Hasil

citra

capture

dari

kamera

diolah

b.

Histogram

(8)

ISSN :2085-6989

menggunakan pengolahan

ciha

untuk mendapatkan

ciri-ciri dari

objek

buah

tomat.

Adapun

komponen

citra

yang dapat digunakan adalah :

a.

Pixel

digunakan

untuk

menentukan ukuran. Jumlah

pixel

dari

suatu

objek

buah

tomat

yang

diamati

jika jarak

kamera

dengan

objek tetap

akan

berbanding

lurus

dengan ukuran dari objek yang diamati.

b.

Komponen wama

Red,

Green

dan Blue (RGB) digunakan untuk menentukan

tingkat

kematangan. Unsur-unsur RGB yang terbentuk

dari

buah tomat muda

(belum masak) dan buah matang (masak) dapat digunakan sebagai penentu tingkat kematangan.

HASIL PEI\IELITIAN

Pengambilan

keputusan

pada perancangan software

ini

yaitu

mencari

selisih

pixel

pada

data

sampel

untuk menentukan ukuran tomat

kecil,

sedang

dan

besar.

Untuk

menentukan 'tomat masak dan tomat muda ditentukan oleh

nilai

Red

A)

atau

Green

(G)

yang dominan.

Pengujian

dilakukan

untuk

mengetahui apakah program dapat berjalan sebagai mana mestinya. Selain

itu

menganalisa terhadap data-data

yang diperoleh

dari

sistem

saat

dijalankan.

Sehingga didapatkan kesimpulan bagaimana hasil pendeteksian kematangan

dan

ukuran buah tomat tersebut.

Pada pengujian sistem

yang

dilakukan, menggunakan

data yang

berasal

dari [image:8.612.78.522.81.756.2]

webcame

external dengan

format gambar

yang

dihasilkan adalah bitmap ukuran gambar yang ditangkap 640x480

pixel.

Gambar

yang

diambil

adalah gambar tomat matang dan gambar tomat muda dengan ukuran yang berbeda-beda

untuk

setiap

tingkat

kematangan (kecil, sedang, besar). Peng-capture-an gambar

diambil

satu

sisi, sisi

depan saja. Dan

Jarak

antara

tomat

dengan

webcame dibuat konstan,

yaitu22

cm.

Sistem yang dibuat menggunakan bahasa

pemrograman

Delphi.

Sistem

ini

terdiri

dari

5

form

menu,

setelah

sistem

dijalankan

yang

akan

muncul

pertama

sekali yaitu

form

menu utama

yaitu

berisi

menu

progam

dan

judul

dari sistem yang dibuat.

Gambar 4. Form Menu Utama

Gambar 5. Form Entry data base

Gambar 3.

Blok

diagram sistem

(9)

ISSN:2085-6989

Table 4. Nilai dari Data Sampel Tomat Muda

-

Besar

Table 5. Nilai dari Data Sampel Tomat

[image:9.612.54.558.66.794.2]

Muda-

Sedang

Gambar 8. Hasil dari Pengambilan Data Tomat Matang

-

Besar

No.l

pada Tabel

I

PEMBAHASAN

Setelah didapatkan

data

sampel

yang

dijadikan

referensi,

lalu

dilakukan

pengujian

terhadap

objek

buah

tomat.

Untuk

buah tomat

matang-besar

dilakukan pengujian

sebanyak

20

kali.

Dari

20

data

tersebut

teridentifikasi sebanyak 9 kali.

Gambar 9. Pendeteksian Tomat Matang-Besar

Untuk buah tornat

matang-sedang

dilakukan

uji

identifikasi

sebanyak 12

kali

Dari

hasil pengujian tersebut sistim

mampu

mendeteksi secara keseluruhan

atat

12 kali terdeteksi dengan benar. Table 6. Nilai dari Data Sampel Tomat

Muda-

Kecil

fr{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]

(10)

E

Gambar 10. Pendeteksian Tomat Matang-Sedang

Untuk

buah tomat matang-kecil diambil

data identifikasi

sebanyak

ll

kaii

data

uji,

dimana

dari

11

data

uji

tersebut teridentifikasi sebanyak

1l

kali.

Gambar 11. Pendeteksian Tomat Matang-Kecil

Untuk

buah

tomat

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, 56

kali

pengujian

yang

berhasil

dideteksi sedangkan

9 kali

belum

berhasil yaitu untuk

uji

tomat muda-kecil.

Dari

32

kali

pendeteksian tomat matang dari berbagai ukuran (besar, sedang dan

kecil)

berhasil

mengidentifikasi

l00o/o,

sedangkan

untuk tomat

muda,

yang

berhasil teridentifikasi

25

kali

dafi

34

pengujian

yaitu

73o/o. Persentase

keberhasilan keseluruhan

tomat

matang

dan

muda adalah:

Hasil pengujian yang berhasil x 100%

Total Pengujian 56

x

100%o: 86,15 o/o

o)

Tingkat keberhasilan pengujian terhadap keseluruhan tomat adalah sebesar 86,15 %. Pengujian yang dilakukan pada tomat

yang

tidak

teridentifikasi

itu

adalah

tomat muda

(warna

hrjau)

yang berukuran kecil, hal

ini

dipengaruhi oleh

faktor

cahaya

pada sekeliling

buah tomat. Secara keseluruhan cahaya sangat mempengaruhi sistem image processing

ini

dalam

mengklasifikasi

tingkat

kematangan.

Sedangkan

untuk

pengklasifikasian

tomat

berdasarkan ukuran berhasil teridentifikasi 1 00%.

KBSIMPULAN

Dari

hasil pengujian yang dilakukan dan analisa tentang pendeteksian kematangan Gambar 12. Pendeteksian Tomat

(11)

1.

ISSN :2085-6989

dan

ukuran buah

tomat

maka

dapat ditarik kesimpulan sebagai berikut:

Sistem

atau

program sudah

dapat

membedakan

antara tomat

masak (matang) dan

muda (belum

matang) untuk tingkat kematangan, sedangkan

untuk

ukuran tomat

sudah

dapat dipisahkan

menjadi

tiga

kelas, yaitu kecil, sedang dan besar.

Untuk

pendeteksian

tomat

berdasarkan ukuran sudah sangat baik

karena

tomat yang

dideteksi

oleh

sistem

ini

hampir sama

dengan klasifikasi visual penglihatan manusia secara umum.

3.

Pendeteksian

untuk

tingkat

kematangan

tomat

dipengaruhi oleh pencahayaan

saat capture,

dimana persentasi keberhasilan pendeteksian tomat masak sebesar 100% sedangkan

pada

pendeteksian

tomat

belum masak sebesar'l3o/o.

SARAI\

1.

Untuk

klasifikasi

tingkat

kematangan

perlu

diatur

pencahayaan yang tepat pada saat

capture

objeh

karena

sangat mempengaruhi hasi I identifi kasi.

2.

Tindak

lanjut

penelitian

ini

adalah

dengan

mengabungkan sistem

ini

dengan sistem selektor otomatis.

DAFTAR PUSTAKA

[]Adhi,

Tria Wijaya

dan

Yudi

Prayudi.

2010.

Implementasi

Visi

Komputer

dan

Segmentasi

Citra

untuk

Klasifikasi Bobot Telur

Ayam

Ras.

Jurnal

seminar

nasionalaplikasi

teknologi

informasi

(SNATI), http:i/scribd.com, Diakses tanggal I 1

AprilZALZ

[2]Achmad,

Balza.

2005.

Teknik

Pengolahan

Citra

Digital

Me nggunkan D e lp hi. Jakarta

[3]Ahmad,

Usman. 2A05.

Pengolahan

Citra Digital &

Teknik

Pemrogramannya.

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

Diakses

tanggal2

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

tahun

Segmentasi

Citra

Digital

.http://www.scribd.com/chick ennita/d/79749059/60-Seementasi-Citra. Diakses tanggal

25

April10l?

[9]Fadlisyah.

2004.

Computer

Vision

dan

Pengolahan

Citra.

Andi,

Yogyakarta

[10]Gonzales, wood. 1993.

Citra

Digital

dan

Implementasinya.

Erlangga, Jakarta

[1 1]Hestiningsih,

Pengolahan

ldhawati.

2009. Citra. http ://www. goo

gle.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.

Perancangan

Software Capture

dan

Segmentasi, Halaman l2T-131. http://scribd.com. Diakses tanggal

26

Aprll2012

[14]Iswahyudi, Catur.

2010.

Prototype

Aplikasi Untuk

Mengukur

2.

(12)

Kematangan

Buah

Apel

_Berdasar

Kemiripan

_Wama.

Juinal

rrlotm

lknologi

Industri Institut

Sains

&

llknolagi

AK2RIND

yogtakarra

Tidak 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. Rekavasa

Perangkat

Lurnk

p"na",{oion

praktisi

(Buku Satu).

a"Ji,

Yogyakarta

[18]Rangkuti, Haris dan

Marimin.

200g.

Analisis

Citra

Auah_Br,;i;n

*"So!

Algoritma

Fagin

;;"

Threshold.

Jumal

_nasional

upfi["ri

teknotogi

_(SNATI).

http:/sqribd.com.

Diakes

i"iii i

Aprit

Z0t2

[i9]Rijal,

yusron dan Riza

_Dhian

Ariefianto.

_Deteksi_{Wajah Berbasfs}

Segmentasi

Modei W;;;

Menggunakan Template

Uor"l,iirn

P-d"

Objek

Birgemk.

i.;:

Seminar Nasional

apfikJ

Teknotogi Informasi

ZOO8

fsNaii

2008).

http://script.com

bi"f.r.,

tanggal26

Anil}Otz

[20]Sutoyo.

2009.

Citro

Digital.

Graha ilmu, Yogyakarta

[2l]Munir, Rinaldi.

2004. pengolahan

Citrq

Digital

dengan

pe;deka;;;

Al

gori tmat ik. Informatika, _Bandung

B2lTim Bina

Karya

Tani.

_200:9.

Budidaya Tanaman.

yrama

_WiOya,

Bandung

[23]Thiang

Leonardus

Indrotanoto. 2008

.

Otomatisasi

penxah

aiii

Tomat Berdasarkan (Jkuran

_clan

Warna

Menggunakan

_Wencim

Sebagai

Sensor.

Jurnal ,"miru.

nasional

ilmu

komputer

_dan

aplikasinya

(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