i
KLASIFIKASI FISIK INTI SAWIT MENGGUNAKAN
REAL TIME IMAGE PROCESSING
DAN
K-NEAREST
NEIGHBOURHOOD (KNN)
OKTA DANIK NUGRAHENI
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
BOGOR 2016
i
PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa tesis berjudul Klasifikasi Fisik Inti Sawit Menggunakan Real Time Image Processing dan K-Nearest Neighbourhood (KNN) adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
Bogor, September 2016
Okta Danik Nugraheni
NIM 151130041
ii
ii
RINGKASAN
OKTA DANIK NUGRAHENI. Klasifikasi Fisik Inti Sawit Menggunakan Real Time Image Processing dan K-Nearest Neighbourhood (KNN). Dibimbing oleh I WAYAN ASTIKA dan I DEWA MADE SUBRATA.
Penentuan mutu inti sawit secara fisik hingga saat ini masih dilakukan secara manual dengan memisahkan inti sawit menjadi 3 (tiga) bagian yaitu kotoran, inti pecah dan inti utuh (DSN 1987). Penentuan mutu inti sawit secara manual seringkali mengakibatkan terjadi konflik antar pembeli dan penjual mengenai mutu inti sawit, kondisi ini tentunya akan merugikan kedua belah pihak. Selain itu proses penentuan mutu secara manual memiliki kekurangan pada rendahnya efisiensi, objektifitas, dan tingkat konsistensi, sehingga perlu dilakukan pengembangan metode identifikasi mutu inti sawit yang baik dan akurat.
Beberapa peneliti telah mengembangkan metode pengolahan citra untuk penentuan mutu objek yang berbentuk biji-bijian dengan akurasi yang cukup baik berkisar antara 60-100% diantaranya penentuan mutu biji kopi (Sofi’i et al. 2005; Soedibyo et al. 2009), biji pala (Dinar et al. 2012), biji kismis (Mollazade et al.
2012) dan biji ginko (Ahmad 2013). Beberapa peneliti juga telah berhasil membangun sistem penentuan mutu bijian secara otomatis yang terdiri atas mesin inspeksi otomatis berbasis pengolahan citra (Wan 2002; Soedibyo et al.
2010) meskipun sistem mesin tersebut masih membutuhkan investasi yang cukup besar. Sebagian besar dari penelitian tersebut dikembangkan menggunakan algoritma Artificial Neural Networks (ANN). Menurut Arifin (2012) klasifikasi menggunakan K-Nearest Neighbor (KNN) lebih mudah dan lebih handal untuk direpresentasikan dibandingkan dengan algoritma lain seperti Support Vector Machines (SVM), Naive Bayessian (NB) dan Artificial Neural Networks (ANN). Namun KNN membutuhkan alokasi memori yang besar karena tidak membangun model klasifikasi dalam prosesnya.
Secara visual inti sawit utuh, pecah, dan kotoran dapat dibedakan berdasarkan bentuk, ukuran dan karakteristik kekasaran permukaan. Biji inti sawit utuh memiliki rata-rata panjang 1.57 cm, lebar 0.92 cm, kebulatan 80 % dan berat 1.11 gram. Sedangkan kotoran memiliki rata-rata panjang 1.39 cm, lebar 0.48 cm, kebulatan 60% dan berat 0.40 gram (Akubuo 2002). Berdasarkan karakteristik fisik tersebut, penentuan klasifikasi fisik inti sawit dilakukan menggunakan analisis tekstur dan morfologi. Pada penelitian ini klasifikasi fisik inti sawit dilakukan menggunakan image processing secara real time dengan metode klasifikasi K-Nearest Neighbourhood (KNN).
Secara umum tujuan penelitian ini mengembangkan sistem klasifikasi fisik inti sawit berbasis pengolahan citra dan KNN secara real time. Secara spesifik tujuan penelitian ini adalah 1) Mengembangkan algoritma pengolahan citra inti sawit secara real time berdasarkan morfologi dan tekstur, 2) Melakukan pendugaan klasifikasi fisik inti sawit menggunakan KNN.
Bahan yang digunakan dalam penelitian ini adalah inti sawit yang diperoleh dari pabrik pengolahan kelapa sawit (PKS) PTPN VIII Cikasungka, Jawa Barat. Peralatan yang digunakan terdiri atas nampan, timbangan digital dan perangkat pengambilan citra.
iii Penelitian dimulai dengan perancangan alat pengambilan citra kemudian dilanjutkan dengan pengembangan algoritma pengolahan citra dan pengembangan
real time image processing, persiapan sampel inti sawit, pelatihan perangkat lunak dan pengujian sistem.
Perangkat pengambilan citra inti sawit dirancang untuk dapat memisahkan setiap biji inti sawit satu dengan lainnya sehingga memudahkan proses klasifikasi. Perangkat pengambilan citra terdiri atas laptop, kamera handphone 8 MP, dudukan kamera, dudukan lampu neon, lampu neon 8 watt, rangka, tray berlubang untuk pemisahan inti sawit, dan alat perata untuk memasukkan inti sawit ke dalam
tray berlubang.
Perangkat lunak pengolahan citra dikembangkan menggunakan bahasa Matlab R2014a dengan Sistem Operasi Windows 7 dengan script program pengolah citra yang terdapat dalam toolbox image processing. Tahapan pengambangan algoritma pengolahan citra terdiri atas : 1) Pembacaan image, 2) Membedakan antara latar dan objek dengan metode binerisasi, 3) Pelabelan dan deteksi tepi objek, 4) Temu kembali citra, 5) Mengubah mode citra menjadi
grayscale, red, green, blue, 6) Karakteristik ciri masing-masing citra, dan 7) Analisis KNN.
Sistem Real time image processing dilakukan dengan bantuan aplikasi
droidcam client V.6 yang dapat di download pada playstore. Aplikasi tersebut merubah fungsi kamera handphone menjadi web-cam.
Citra dari inti utuh, pecah dan kotoran diubah menjadi citra keabuan (grayscale), selanjutnya dilakukan ekstraksi ciri histogram untuk menganalisis tekstur permukaan yang akan menghasilkan data ciri statistik dan morfologi. Klasifikasi prediksi ketepatan mutu inti sawit dilakukan menggunakan KNN. Kombinasi dari data ciri statistik dan morfologi dilakukan untuk mendapatkan ketepatan prediksi yang terbaik dengan mengacu pada jumlah tetangga (k). Hasil penelitian dengan menggunakan data uji sebanyak 90 gram atau 136 butir biji inti sawit menunjukkan akurasi tertinggi saat nilai k 27. Waktu yang dibutuhkan pada proses klasifikasi inti sawit secara real time relatif lebih lama pada proses penebaran dan perataan biji yang membutuhkan waktu 110.5 detik, sedangkan pada proses klasifikasi program hanya membutuhkan waktu 29.13 detik. Akurasi dalam pendugaan kategori inti sawit dengan cara ditebar mencapai 76.03% pada pendugaan jumlah butir, dan 71.31% pada pendugaan jumlah massa.
iv
iv
SUMMARY
OKTA DANIK NUGRAHENI. Physical Classification of Palm Kernel Using Real Time Image Processing and K-Nearest Neighborhood (K-NN). Supervised by I WAYAN ASTIKA and I DEWA MADE SUBRATA.
Palm kernel quality has physically been determined using manual technique by separating the kernel into 3 parts including shells, broken, and whole kernel (DSN 1987). Determination of palm kernel quality using former method remains a problem between buyers and sellers, leading to disadvantages of them. Such manual technique is also low efficiency, objectivity, consistency, thus method development for palm kernel quality identification is required.
Some researchers have developed image processing method with high accuracy ranged from 60 to 100% applied in grain-like objects such as coffee beans (Sofi'I et al. 2005; Soedibyo et al. 2009), nutmeg (Dinar et al. 2012), raisin (Mollazade et al. 2012) and ginko seed (Ahmad 2013). Some researchers have also managed to build the automatic system for determination of grain quality based on image processing (Wan 2002; Soedibyo et al. 2010), although the system still requires substantial investment. Most of these studies were developed using algorithms Artificial Neural Networks (ANN). Arifin (2012) stated that classification using K-Nearest Neighbor (KNN) was easier and more reliable to be represented in comparison with other algorithms such as Support Vector Machines (SVM), Naive Bayessian (NB) and Artificial Neural Networks (ANN). However, KNN required great memory allocation because its classification model was not built in the process.
Whole kernel, broken, and shells can visually be distinguished by the shape, size and surface roughness characteristics. Whole had average length of 1.57 cm, 0.92 cm width, roundness 80%, and 1.11 gram weight, while the shell had an average length of 1.39 cm, 0.48 cm width, roundness 60% and 0.40 gram weight (Akubuo 2002). Based on the physical characteristics, classification of physical palm kernel is determined using textural and morphological analysis. In this research, the physical classification of palm kernel was performed using real time image processing with K-Nearest Neighborhood (K-NN) as method of classification accuracy.
The general objective of this research was to develop a physical classification system of palm kernel based on the real time image processing and KNN. Specifically, This research aimed to 1) develop an real time image processing algorithms of palm kernel based on morphology and texture, and 2) estimate the physical classification of palm kernel using KNN.
The material used in this study was palm kernel obtained from palm oil mills of PTPN VIII Cikasungka, West Java. The tools were tray, digital scales and image acquisition devices.
The research consisted of several steps, including the design of the image acquisition device, the development of image processing algorithms, and development of real time image processing, preparation of palm kernel samples, software training and system testing.
The image capture device of palm kernel was designed to separate each palm kernel seed, thus the classification was easier to process. Image capture
v device consisted of a laptop, 8 MP phone camera, camera holder, lighting holder, lamp 8 watt, chassis, perforated tray for separation of palm kernel, and grading tool to incorporate palm kernel into the perforated tray.
Image processing software was developed using Matlab R2014a with Windows 7 Operating System and a program script contained in the image processing toolbox. Development of image processing algorithm included 1) image reading, 2) differentiation between the background and the object by binarization, 3) labelling and detection of object edges, 4) re-imaging, 5) replacement of image mode to grayscale, red, green, and blue, 6) characterization of each image feature, and 7) KNN analysis.
Real time image processing system was supported by Droidcam client V.6 which is downloadable from the internet. The application changes the function of the camera phone to web-cam.
The image of the shells, broken and whole kernel were transformed into grayscale images, and then histogram features were extracted to analyze the surface texture which formed statistical and morphological feature data. KNN was used to classify accuracy of prediction accuracy of palm kernel quality. Combination of statistical data and morphological data was to obtain the best prediction accuracy according to neighborhood (k). The results using 89.9 gr or 136 grains of palm kernel seeds showed the highest accuracy at k = 27. In real time classification of palm kernel, time required for spreading and flattening the kernel was 110.5 sec, but the program took only 29.13 sec for classification. Accuracy in estimation of palm kernel category by spreading was 76.03% for number of the grain estimating and 71.31% for the mass estimation.
vi
vi
© Hak Cipta Milik IPB, Tahun 2016
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini dalam bentuk apa pun tanpa izin IPB
vii
KLASIFIKASI FISIK INTI SAWIT MENGGUNAKAN
REAL
TIME IMAGE PROCESSING
DAN
K-NEAREST
NEIGHBOURHOOD (KNN)
OKTA DANIK NUGRAHENI
Tesis
sebagai salah satu syarat untuk memperoleh gelar Magister Sains
pada
Program Studi Teknik Mesin Pertanian dan Pangan
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
BOGOR 2016
viii
viii
x
x
PRAKATA
Alhamdulillahi rabbil ‘alamin, puja dan puji syukur penulis panjatkan kehadirat Allah, SWT yang telah memberikan rahmat-Nya sehingga penulis dapat menyelesaikan penyusunan tesis yang berjudul Klasifikasi Fisik Inti Sawit Menggunakan Real Time Image Processing dan K-Nearest Neighbourhood (KNN).
Pada kesempatan ini penulis menyampaikan terima kasih kepada Dr Ir I Wayan Astika MSi (Ketua Komisi Pembimbing) dan Dr Ir I Dewa Made Subrata MAgr (Anggota Komisi pembimbing) atas bimbingan dan saran selama penelitian, Dr Ir Y. Aris Purwanto MSc selaku ketua Program Studi Teknik Mesin Pertanian dan Pangan dan Dr Liyantono STP MAgr (Penguji Luar Komisi Pembimbing) yang telah memberikan saran dan arahan untuk perbaikan tesis ini.
Penulis juga menyampaikan ucapan terima kasih kepada teman-teman seperjuangan di S2 Teknik Mesin Pertanian dan Pangan (2013) dan S2 Teknologi Pasca Panen (2013) atas bantuan dan dukungannya selama ini. Serta teman-teman yang telah berkontribusi membantu penelitian ini : Agus Sutejo STP MSi, Dr Slamet Widodo STP MSc, Arief, Ubaidillah, Syahid, Waqif, Wendi, dan Ayunk.
Secara khusus, penulis menyampaikan ucapan terima kasih kepada suami tercinta Ahmad Thoriq, ananda Atha Rafif Nugroho, ibunda Sulastini, dan ayahanda Rumain, yang selalu memberikan semangat dan inspirasi.
Harapan penulis semoga karya ilmiah ini bermanfaat bagi semua pihak yang memerlukannya.
Bogor, September 2016
xi
DAFTAR ISI
DAFTAR ISI xi
DAFTAR TABEL xii
DAFTAR GAMBAR xii
DAFTAR LAMPIRAN xiii
1 PENDAHULUAN 1
Latar Belakang 1
Perumusan Masalah 2
Tujuan Penelitian 2
Manfaat Penelitian 2
Ruang Lingkup Penelitian 2
2 TINJAUAN PUSTAKA 3
Inti Kelapa Sawit 3
Pengolahan Citra untuk Penentuan Mutu Bijian 4
Sistem Penentuan Mutu Bijian Secara Otomatis 6
K-Nearest Neighbour 7
3 METODE 7
Waktu dan Tempat 7
Bahan dan Alat 8
Prosedur Penelitian 8
4 HASIL DAN PEMBAHASAN 17
Perangkat Pengambilan Citra Inti Sawit 17
Sistem Akuisisi Citra 18
Karakteristik Citra Inti Sawit 20
Hasil Pengujian Sistem Real Time Image Processing Menggunakan KNN 22
5 SIMPULAN DAN SARAN 27
Simpulan 27
Saran 28
DAFTAR PUSTAKA 29
LAMPIRAN 31
xii
xii
DAFTAR TABEL
Tabel 1 Standar mutu inti sawit 3
Tabel 2 Ketepatan pendugaan klasifikasi dengan nilai k = 27 23 Tabel 3 Hasil pengujian massa masing-masing kategori 25 Tabel 4 Hasil pengujian dengan cara menebar dalam jumlah butir 26 Tabel 5 Hasil pengujian dengan cara menebar dalam jumlah massa 26 Tabel 6 Total waktu yang dibutuhkan dalam pengoperasian alat 27 Tabel 7 Waktu yang dibutuhkan pada masing-masing proses 27
DAFTAR GAMBAR
Gambar 1 Mesin sortasi bijian tipe sabuk (Wan 2002) 6
Gambar 2 Diagram alir tahapan penelitian 8
Gambar 3 Perangkat pengambilan citra inti sawit 10
Gambar 4 Klasifikasi inti sawit ; (a) utuh, (b) pecah, (c) kotoran 13
Gambar 5 Diagram alir analisis citra 14
Gambar 6 Tampilan figure window Usecam 15
Gambar 7 Diagram alir proses klasifikasi kategori inti sawit secara real time 16
Gambar 8 Perangkat pengambilan citra 18
Gambar 9 Detail perangkat pengambilan citra, (a) tampak atas, (b) detail
tray berlubang 18
Gambar 10 Tampilan antar muka sistem pengambilan citra inti sawit 19 Gambar 11 Tampilan program proses perhitungan parameter ciri dan
diklasifikasi berdasarkan jenis dan jumlah biji inti sawit 19 Gambar 12 Tampilan program proses klasifikasi berdasarkan jenis dan berat
biji inti sawit 20
Gambar 13 Sebaran nilai setiap kategori pada ciri morfologi 21 Gambar 14 Nilai irisan distribusi penggolongan citra inti sawit berdasarkan
parameter ciri statistik 21
Gambar 15 Akurasi pendugaan kategori inti sawit dengan berbagai nilai k 22 Gambar 16 Kurva regresi hubungan antara berat dan luas untuk kategori biji
utuh 23
Gambar 17 Kurva regresi hubungan antara berat dan luas untuk kategori biji
pecah 24
Gambar 18 Kurva regresi hubungan antara berat dan luas untuk kategori
kotoran 24
xiii
DAFTAR LAMPIRAN
Lampiran 1 Cara uji mutu fisik inti kelapa sawit 32
Lampiran 2 Hasil uji statistik ANOVA 34
Lampiran 3 Hasil pengujian masing-masing kategori dengan cara menebar 38 Lampiran 4 Hasil pengujian masing-masing kategori dengan cara menebar
dengan kapasitas maksimal (100 gram) 39
Lampiran 5 Proses penebaran inti sawit diatas tray 40
Lampiran 6 Contoh tampilan program antar muka pada proses klasifikasi biji
yang ditebar dengan tray 41
Lampiran 7 Contoh tampilan hasil klasifikasi yang ditunjukkan dengan warna
1
1
PENDAHULUAN
Latar Belakang
Inti sawit merupakan produk samping hasil pengolahan Tandan Buah Segar (TBS) yang masih memiliki nilai jual tinggi. Inti sawit akan diolah lebih lanjut untuk pembuatan minyak inti sawit. TBS yang dipanen terdiri atas tandan kosong (29%), inti sawit (11%) dan daging buah (60%) (Hariyadi 2010). Saat ini Indonesia memproduksi minyak inti sawit sebesar 3.78 milion matrik ton (MMT) dan bungkil inti sawit sebesar 4.55 MMT (USDA 2015). Hal ini menunjukkan bahwa produksi inti sawit dan yang diperdagangkan di Indonesia mencapai 8.30 MMT.
Pada proses perdagangan inti sawit, pembeli akan mengambil inti sawit di gudang penyimpanan pada pabrik pengolahan crude palm oil (CPO) menggunakan truk. Sebelum truk keluar dari pabrik, inti sawit yang telah dimuat dalam truk dilakukan analisis mutu. Cara pengambilan contoh dan cara uji mengacu pada SNI inti sawit nomor 01-0002-1987. Standar mutu inti sawit yang diperdagangkan terbagi ke dalam dua bagian, yaitu 1) mutu secara fisik yang terdiri atas kotoran (maksimal 6%), inti pecah (maksimal 15%) dan inti berubah warna (maksimal 40%); 2) mutu secara kimia terdiri atas kadar air (maksimal 8%), kadar minyak (minimal 46%) dan kadar asam lemak bebas (maksimal 3%) (DSN 1987).
Penentuan mutu inti sawit secara fisik hingga saat ini masih dilakukan secara manual dengan memisahkan inti sawit menjadi 3 (tiga) bagian yaitu kotoran, inti pecah, dan inti utuh (DSN 1987). Penentuan mutu inti sawit secara manual seringkali mengakibatkan terjadi konflik antar pembeli dan penjual mengenai mutu inti sawit, kondisi ini tentunya akan merugikan kedua belah pihak. Selain itu proses penentuan mutu secara manual memiliki kekurangan pada rendahnya efisiensi, objektifitas, dan tingkat konsistensi, sehingga perlu dilakukan pengembangan metode identifikasi mutu inti sawit yang baik dan akurat berbasis pengolahan citra.
Teknologi pengolahan citra semakin banyak dikembangkan didunia pertanian, karena dapat digunakan untuk pengukuran/pengujian dan klasifikasi suatu bahan secara otomatis, obyektif, dan konsisten dengan kapasitas besar dan tidak memerlukan banyak tenaga kerja. Beberapa peneliti telah mengembangkan metode pengolahan citra untuk penentuan mutu objek yang berbentuk biji-bijian dengan akurasi yang cukup baik berkisar antara 60-100% diantaranya penentuan mutu biji kopi (Sofi’i et al. 2005; Soedibyo et al. 2009), biji pala (Dinar et al. 2012), biji kismis (Mollazade et al. 2012) dan biji ginko (Ahmad 2013). Peneliti lain juga telah berhasil membangun sistem penentuan mutu bijian secara otomatis yang terdiri atas mesin inspeksi otomatis berbasis pengolahan citra (Wan 2002; Soedibyo et al. 2010) meskipun sistem mesin tersebut masih membutuhkan investasi yang cukup besar. Sebagian besar dari penelitian tersebut dikembangkan menggunakan algoritma Artificial Neural Networks (ANN). Alternatif lain dapat dilakukan menggunakan K-Nearest Neighbor (KNN). Menurut Arifin (2012) klasifikasi menggunakan K-Nearest
2
Neighbor (KNN) lebih mudah dan lebih handal untuk direpresentasikan dibandingkan dengan algoritma lain seperti Support Vector Machines (SVM),
Naive Bayessian (NB), dan Artificial Neural Networks (ANN). Namun KNN membutuhkan alokasi memori yang besar karena tidak membangun model klasifikasi dalam prosesnya.
Secara visual inti sawit utuh, pecah, dan kotoran dapat dibedakan berdasarkan bentuk, ukuran, dan karakteristik kekasaran permukaan. Biji inti sawit utuh memiliki rata-rata panjang 1.57 cm, lebar 0.92 cm, kebulatan 80 % dan berat 1.11 gram. Sedangkan kotoran memiliki rata-rata panjang 1.39 cm, lebar 0.48 cm, kebulatan 60% dan berat 0.40 gram (Akubuo 2002). Berdasarkan karakteristik fisik tersebut, penetuan klasifikasi fisik inti sawit dilakukan menggunakan analisis tekstur dan morfologi. Analisis morfologi digunakan untuk menganalisis bentuk biji, sehingga orientasi biji dapat ditentukan ketika biji dihamparkan (Ahmad 2013) sedangkan analisis tekstur bertujuan untuk mendapatkan ciri atau fitur pada citra grayscale (Qur'ania et al. 2012). Pada penelitian ini klasifikasi fisik inti sawit dilakukan menggunakan image processing
secara real time dengan metode klasifikasi K-Nearest Neighbourhood (KNN).
Perumusan Masalah
Analisis mutu fisik inti sawit dilakukan untuk menentukan pengaturan mesin screw press pada stasiun pengempaan yang tepat, sehingga didapatkan minyak sawit mentah (CPO) maksimal dan inti sawit pecah minimal. Selain itu analisis mutu fisik inti sawit dilakukan pada proses perdagangan inti sawit sebagai parameter utama penentuan harga inti sawit. Hingga saat ini penentuan mutu inti sawit secara fisik pada pabrik pengolahan kelapa sawit masih dilakukan secara manual yang sangat dipengaruhi oleh pengalaman, sehingga diperlukan perangkat klasifikasi fisik inti sawit berbasis pengolahan citra yang dioperasikan secara real time untuk meningkatkan konsistensi.
Tujuan Penelitian
Secara umum tujuan penelitian ini mengembangkan sistem klasifikasi fisik inti sawit berbasis pengolahan citra dan KNN secara real time. Secara spesifik tujuan penelitian ini adalah :
1. Mengembangkan algoritma pengolahan citra inti sawit secara real time berdasarkan morfologi dan tekstur
2. Melakukan pendugaan klasifikasi fisik inti sawit menggunakan KNN
Manfaat Penelitian
Hasil dari penelitian ini diharapkan dapat digunakan sebagai referensi untuk membuat mesin grading dan sortasi inti sawit secara otomatis.
Ruang Lingkup Penelitian
Ruang lingkup penelitian meliputi perancangan alat pengambilan citra yang sederhana, penggunaan kamera handphone untuk pengambilan citra dan
pengembangan algoritma pengolahan citra menggunakan KNN secara real time. Parameter klasifikasi fisik mengacu pada SNI inti sawit nomor 01-0002-1987 meliputi inti sawit utuh, pecah dan kotoran. Inti sawit yang digunakan berasal dari pabrik pengolahan kelapa sawit PT. Perkebunan Nusantara VIII Cikasungka, Kabupaten Bogor.
2
TINJAUAN PUSTAKA
Inti Kelapa Sawit
Inti kelapa sawit adalah bagian dari buah tanaman sawit (Elaeis guineensis Jacq) yang telah dipisahkan dari daging buah dan tempurung serta dikeringkan. Pada pabrik kelapa sawit, pembentukan biji terjadi pada stasiun pengempaan. Biji kelapa sawit terdiri atas cangkang dan inti kelapa sawit. Proses pengempaan dilakukan menggunakan screw press dan akan menghasilkan minyak kasar dengan kadar 50% CPO, 42% air, 8% zat padat. Zat padat berupa biji, serabut mesocarp dan cangkang masih tercampur sehingga harus dipisahkan. Proses pemisahan biji dan serabut dilakukan dengan 2 (dua) cara yaitu : 1) Pneumatis, dengan menggunakan tarikan atau hisapan udara pada sebuah kolom pemisah. Pemisahan terjadi akibat adanya perbedaan berat antara dua jenis bahan yang hendak dipisahkan (biji dan serabut). Selanjutnya biji yang telah terpisah masuk ke dalam nut polishing drum (tromol pembersih biji) dan dikeringkan pada nut silo. 2) Mekanis, menggunakan ayakan model segi delapan (oktogonal) yang kedelapan sisinya dibentuk oleh lembaran-lembaran besi. Biji-biji dipisahkan dari serabut yang akan disaring melalui lubang-lubang lembaran besi tersebut. Setelah biji dipisahkan dari serabut, selanjutnya dilakukan proses pengeringan biji, pemisahan biji, pemecahan biji, serta pemisahan inti sawit dan cangkang dengan teknik pemisahan basah yang dilanjutkan dengan pengeringan inti sawit. Produk akhir inti sawit kemudian disimpan digudang dan siap diperdagangkan (Pahan 2008).
Standar Mutu Inti Sawit
Menurut SNI 01-0002-1987 standar mutu inti sawit yang diperdagangkan terbagi ke dalam 2 (dua) bagian yaitu 1) mutu secara fisik yang terdiri atas kotoran, inti sawit pecah dan Inti berubah warna, 2) mutu secara kimia terdiri atas kadar air, kadar minyak dan kadar asam lemak bebas. Standar mutu inti sawit dapat dilihat pada Tabel 1.
Tabel 1 Standar mutu inti sawit
No Jenis Uji Satuan Persyaratan
1 Kadar Minyak, (b/b) kering % min.46
2 Kadar Asam Lemak Bebas,(b/b) dihitung sbg Asam Laurat
% maks.3
3 Kadar Air, (b/b) % maks.8.0
4 Kadar Kotoran. (b/b) maks.6
5 Kadar Inti Pecah (b/b) % 15
6 Kadar lnti Berubah warna (jumlah/jumlah) % 40
4
Mekanisme Pengambilan Sampel Uji
Contoh diambil secara acak sebanyak akar pangkat dua dari jumlah karung dengan maksimum 30 karung dari tiap partai barang maksimum 1000 karung. Kemudian dari tiap karung diambil sebagai contoh maksimum 1 kg dari bagian atas, tengah, dan bawah. Contoh-contoh tersebut dicampur dan diaduk sehingga merata, kemudian dibagi empat dan secara diagonal dua bagian diambil untuk disatukan kembali. Cara tersebut diatas dilakukan beberapa kali sampai diperoleh contoh seberat 1 kg contoh. kemudian dimaksukkan kedalam kantong plastik dan disegel, serta diberi label yang antara lain bertuliskan identitas pengambilan contoh dan tanggal pengambilan contoh. Sedangkan cara pengujian mutu secara fisik dapat dilihat pada Lampiran 1. Petugas pengambil contoh harus memenuhi syarat yaitu orang yang telah berpengalaman atau dilatih lebih dahulu dan mempunyai ikatan dengan suatu badan hukum (DSN 1987).
Pengolahan Citra untuk Penentuan Mutu Bijian
Soedibyo et al. (2009) melakukan pengembangan pengolahan citra untuk penentuan mutu kopi beras. Pengolahan citra digunakan untuk mendapatkan enam parameter citra berupa : area, lebar, perimeter, area cacat, indeks warna merah, dan indeks warna hijau. Kelas mutu yang diamati adalah kelas mutu A, B, C dan reject. Sampel biji kopi beras yang digunakan pada masing-masing kelas mutu adalah 128 biji, sehingga secara keseluruhan digunakan 512 biji kopi beras. Pengambilan gambar digunakan secara majemuk dengan susunan biji kopi beras yang teratur dengan konfigurasi matrik 4 x 4. Keenam parameter citra dianalisis secara statistik untuk mendapatkan hubungan antara enam parameter citra dengan kelas mutu biji kopi beras, kemudian merumuskan hubungan tersebut dengan persamaan logika. Dari enam parameter tersebut hanya area, area cacat, r, dan g yang dapat diformulasikan kedalam persamaan logika. Hasil yang diperoleh adalah program komputer dapat mengidentifikasi kelas mutu dengan tingkat kesesuaian 78% dengan tingkat kesesuaian masing-masing mutu A, B, C, dan
reject berturut-turut sebesar 64%, 64%, 87% dan 96%.
Dinar et al. (2012) melakukan pendugaan kelas mutu berdasarkan analisa warna dan bentuk biji pala (Myristica fragrans houtt) menggunakan teknologi pengolahan citra dan jaringan saraf tiruan. Citra diambil dengan machine vision
dilengkapi dengan sensor citra sebuah webcam (Genius 2MP iSlim 2020), sumber cahaya berasal dari lampu TL 5 watt sebanyak 2 buah, dan PC untuk menyimpan citra, mengolah data, menampilkan citra. Latar belakang dinding berwarna hitam dan proses pengumpulan data citra dilengkapi dengan alat pengukur intensitas cahaya Luxmeter untuk memastikan keseragaman intensitas cahaya. Proses analisa dan pengolahan citra dilakukan dengan bantuan software Matlab R2009a
dengan script program pengolah citra yang terdapat dalam toolbox image processing. Hasil penelitian menunjukan parameter mean saturation dan area
berhasil mengidentifikasi kelas mutu pala ABCD, Rimpel dan BWP dengan akurasi 100%.
Mollazade et al. (2012) mengidentifikasi kualitas kismis menggunakan
image processing dan data mining klasifikasi. Data mining klasifikasi yang digunakan antara lain artificial neural networks (ANNs), support vector machines
pengambilan image, kismis dipisahkan berdasarkan kualitas atau kelasnya masing-masing oleh orang yang sudah berpengalaman berdasarkan standard provided by Institute of Standards and Industrial Research of Iran (ISIRI, 1990). Pengelompokannya terdiri atas kismis hijau tanpa ekor (G), kismis hijau dengan ekor (GT), kismis hitam tanpa ekor (B), dan kismis hitam dengan ekor (BT). Hanya 25 kismis yang diambil gambarnya dalam satu kali foto, dan masing-masing kelompok diambil 10 gambar sampel. Setelah proses pengolahan citra yaitu dilakukan klasifikasi berdasarkan empat teknik data mining. Hasil dari tahap validasi ANN menunjukkan akurasi klasifikasi tertinggi 96.33%, SVM dengan fungsi inti sawit polynomial 95.67%, DT dengan algoritma J48 94.67%, dan BN dengan simulated annelin learning 94.33%.
Ahmad (2013) deteksi ujung biji ginko menggunakan pengolahan citra berbasis analisis morfologi. Bahan dan peralatan yang digunakan adalah sampel biji ginkgo sebanyak 60 buah yang terdiri dari tiga varietas masing-masing 20 buah, yaitu varietas Kinbei, Kyujyu, dan Tokuro. Peralatan yang digunakan adalah kamera CCD ARTCAM-267 KY (0.5inch), yang dipasangkan dengan lampu LED putih LDR2-90-30SW berdaya 18W dan 5500K color temperature, dengan jarak lensa dan obyek 70mm. Sebuah komputer digunakan untuk perekaman dan pengolahan citra. Citra direkam dalam resolusi 640x480 piksel dan dianalisis menggunakan program komputer yang dibangun menggunakan MSVC#2010 Express di atas Sistem Operasi Windows 7. Hasil deteksi bagian ujung biji menggunakan algoritma berdasarkan analisis morfologi dengan akurasi masing-masing 100% untuk Kinbei, 85% untuk Kyujyu, dan 65% untuk Tokuro. Operasi morfologi dilakukan untuk memperbaiki bentuk biji pada citra biner sehingga kemampuan deteksi ujung biji dapat ditingkatkan. Hasil deteksi bagian ujung biji setelah operasi perbaikan bentuk dilakukan masing-masing meningkat menjadi 100% untuk Kyujyu dan 85% untuk Tokuro, sedangkan Kinbei tidak terpengaruh, tetap 100%.
Zawbaa et al. (2014) melakukan penelitian pengenalan otomatis untuk mengklasifikasi dan mengidentifikasi jenis buah dari bentuk dan warna serta menggunakan scale invariant feature transform (SIFT). Pada tahap klasifikasi digunakan algoritma KNN dan SVM. Komoditi yang digunakan adalah jeruk, stroberi, dan apel. Skenario yang digunakan yang pertama; adalah ekstraksi fitur berdasarkan bentuk dan warna dengan KNN, kedua; ekstraksi fitur berdasarkan bentuk dan warna dengan SVM, ketiga; ekstraksi fitur berdasarkan SIFT dengan KNN, dan terakhir; ekstraksi fitur berdasarkan SIFT dengan SVM. Hasil penelitian menunjukkan bahwa akurasi klasifikasi tergantung pada derajat diferensiasi antara jenis buah. Pengamatan dilakukan dengan 3 metode yang pertama yaitu pengamatan pada buah jeruk dan apel yang memiliki kesamaan bentuk dan warna berbeda, diperoleh nilai akurasi tertinggi dengan algoritma klasifikasi SVM. Metode yang kedua yaitu menggunakan apel dan stroberi yang memiliki bentuk berbeda dan warna yang sama, diperoleh akurasi tertinggi pada ekstraksi fitur SIFT dan menggunakan KNN. Terakhir metode pengamatan dengan bentuk dan warna buah yang berbeda yaitu jeruk dan stroberi, diperoleh akurasi 100% dengan ekstraksi fitur SIFT dan KNN pada kedua jenis buah.
6
Sistem Penentuan Mutu Bijian Secara Otomatis
Wan (2002) membangun sistem penanganan bijian otomatis yang terdiri atas mesin inspeksi otomatis dan unit pengolahan citra. Sistem ini menyediakan bijian yang tersusun dalam pola matriks secara kontinyu untuk diambil gambarnya dengan kamera CCD, memisahkan setiap bijian dengan
background (conveyor belt), dan melepaskan bijian menuju kontainer yang ditentukan. Mesin inspeksi memiliki alat penyebar dan pengatur posisi, stasiun pengambilan gambar, alat pemisah paralel, dan konveyor sabuk yang memiliki lubang pembawa bijian. Sistem diuji menggunakan beras, gandum, sorgum, dan jobstear. Sistem penentuan mutu ini menggunakan tipe sabuk, citra bijian diambil secara majemuk dengan konfigurasi matriks 4 x 6 sehingga memudahkan dalam pemisahan individu bijian. Penentuan mutu ini memisahkan bijian dalam 6 kelas mutu. Pengujian menujukkan bahwa alat penyebar dan pengaturan posisi memiliki rasio pengisian sebesar 90%, dan peralatan pemisah paralel memiliki akurasi 99%. Sistem ini dapat memproses 1899 biji setiap menit dengan penggunaan satu kamera. Sedangkan pada penggunaan dua kamera kecepatan proses sebesar 1296 biji tiap menit. Gambar 1 berikut ini adalah gambar sistem yang dibangun.
Gambar 1 Mesin sortasi bijian tipe sabuk (Wan 2002)
Soedibyo et al.(2010) melakukan rancang bangun sistem sortasi cerdas berbasis pengolahan citra untuk kopi beras. Kontruksi sistem mesin sortasi yang dibuat terdiri atas : 1) Stasiun pengambilan citra, 2) Motor penggerak dan sistem konveyor, 3) Simulator pemisah paralel, 4) Sistem kontrol dan aliran data. Hasil image acquisition dengan resolusi citra 640 x 480 menunjukkan bahwa jarak optimal kamera dengan obyek adalah adalah 207 milimeter dan jarak pencahayaan 300 milimeter. Citra yang ditangkap kamera digital dan ditampilkan oleh monitor komputer sama atau mendekati aslinya, sedikit timbul bayangan, dan tidak ada cahaya berlebih yang mempengaruhi warna obyek. Citra yang dihasilkan setiap frame berisi 16 kopi beras yang disusun dalam bentuk matriks 4 x 4. Sebagai background adalah belt berlubang yang berwarna putih. Lubang tersebut berfungsi sebagai tempat dudukan biji.
Makky dan Soni (2013) merancang bangun sebuah mesin pemeriksa otomatis untuk TBS yang dibuat dan diuji melalui serangkaian uji lapangan. Terdapat empat subsistem mesin yang telah diuji menggunakan analisis diskriminasi bertahap. Mesin melakukan klasifikasi TBS menjadi dua kelas, yaitu ditolak (kelas 1), dan diterima (kelas 2) dengan tingkat keberhasilan 93.53%. Untuk klasifikasi fraksi digunakan standar Indonesian Oil Palm Research Institut
(IOPRI) sebagai acuan. Penelitian ini menerapkan algoritma K-means dan analisis kuadrat jarak Euclidean, yang menunjukkan tingkat keberhasilan 88.7%. Delapan model yang digunakan untuk memperkirakan berat TBS, satu untuk setiap fraksi, dan menunjukkan rata-rata R2 adalah 0.9603. Pengembangan mesin pemeriksa otomatis untuk kelapa sawit TBS dengan prinsip real-time dan metode non-destruktif menjadi mesin pertama di Indonesia yang melakukan pemeriksaan TBS otomatis dan parameter identifikasi TBS berdasarkan standar penilaian IOPRI.
K-Nearest Neighbour
K-nearest neighbour (KNN) adalah salah satu metode klasifikasi yang berbasis pembelajaran. KNN membandingkan data uji yang diberikan dengan data latih yang sama berdasarkan jumlah tetangga terdekat (k). Setiap data merepresentasikan sebuah titik dalam kelas. Data latih disimpan dalam kelas yang telah ditentukan. Ketika diberikan data yang tidak diketahui kelasnya, KNN akan mencari pola sebanyak k data latih yang dekat dengan data yang belum memiliki kelas. Sehingga kinerjanya sangat tergantung pada metrik jarak yang digunakan untuk mengidentifikasi tetangga terdekat (Weinberger et al. 2006).
Sebagian besar pengklasifikasi KNN menggunakan jarak euclidian
sederhana untuk mengukur perbedaan-perbedaan antara contoh yang direpresentasikan sebagai input vektor. Menurut Syafitri (2010) misalkan terdapat dua data, yaitu x= (x1, x2,…xn) dan y= (y1,y2,…yn), maka jarak euclidian-nya adalah :
𝑑(𝑥, 𝑦) = √∑ (𝑥𝑛𝑖=1 𝑖− 𝑦𝑖)2 (1) Dimana d (x, y) adalah jarak antara dua data, n adalah jumlah parameter penduga. Jarak euclidian yang semakin kecil menunjukkan kesamaan yang lebih tinggi. Jarak 0 berarti bahwa data sama (Trstenjak et al. 2014).
3
METODE
Waktu dan Tempat
Penelitian ini dilaksanakan di Laboratorium Manufaktur Departemen Teknik Mesin dan Biosistem Fakultas Teknologi Pertanian, IPB selama 11 bulan, dimulai pada bulan Mei 2015 sampai dengan bulan April 2016.
8
Bahan dan Alat
Bahan yang digunakan dalam penelitian ini adalah inti sawit yang diperoleh dari pabrik pengolahan kelapa sawit (PKS) PTPN VIII Cikasungka, Jawa Barat. Peralatan yang digunakan terdiri atas nampan, timbangan digital dan perangkat pengambilan citra.
Prosedur Penelitian
Penelitian dimulai dengan perancangan alat pengambilan citra kemudian dilanjutkan dengan pengembangan algoritma pengolahan citra dan pengembangan
real time image processing, persiapan sampel inti sawit, pelatihan perangkat lunak dan pengujian sistem. Diagram alir tahapan penelitian secara lebih detail dapat dilihat pada Gambar 2.
Gambar 2 Diagram alir tahapan penelitian
Perancangan Sistem Klasifikasi Inti Sawit secara Real Time
Sistem klasifikasi inti sawit yang dibangun terdiri atas 2(dua) bagian yaitu perangkat keras (hardware) dan perangkat lunak (software). Perangkat keras dikembangkan untuk mempermudah proses pembacaan citra inti sawit sedangkan perangkat lunak dikembangkan untuk dapat mengklasifikasi citra inti sawit berdasarkan karakteristik fisik. Perangkat keras terdiri atas perangkat pengambilan citra yang dirancang untuk dapat memisahkan setiap biji inti sawit satu dengan lainnya sehingga memudahkan proses klasifikasi. Perangkat pengambilan citra terdiri atas dudukan kamera, dudukan lampu neon, rangka, tray berlubang untuk pemisahan inti sawit, dan alat perata untuk memasukkan inti sawit ke dalam tray
berlubang. Perangkat lunak pengolahan citra dikembangkan menggunakan bahasa
Pengembangan algoritma pengolahan citra Perancangan perangkat pengambilan citra
Pengembangan perangkatreal time image processing
Mulai
Persiapan sampel
Pelatihan perangkat lunak pengolahan citra
Selesai
Akurasi Pendugaan Klasifikasi Fisik Inti Sawit Pengujian sistem
Berhasil Tidak
Matlab R2014a dengan Sistem Operasi Windows 7 dengan script program pengolah citra yang terdapat dalam toolbox image processing.
Kriteria Rancangan
Perancangan sistem klasifikasi inti sawit secara real time yang dibangun memiliki kriteria sebagai berikut :
1) Alat pengambilan citra dirancang dapat memisahkan antar biji inti sawit 2) Program pengolahan citra inti sawit dapat membaca dan melakukan klasifikasi
secara langsung (real time)
3) Sistem klasifikasi inti sawit mudah dioperasikan
Rancangan Fungsional
Sistem klasifikasi inti sawit terdiri atas hardware dan Software yang memiliki fungsi yang berbeda-beda, diantaranya :
1) Kamera handphone sebagai proses masukan dari sebuah sistem pengambilan citra inti sawit
2) Tray berlubang berfungsi sebagai alat bantu pemisah biji inti sawit agar tidak saling menempel
3) Kabel USB digunakan untuk menghubungkan handphone dengan komputer untuk memindahkan (transfer) data dari handphone ke komputer
4) Program pengolahan citra berfungsi untuk mengolah citra inti sawit secara real time
Untuk mendapatkan citra yang baik, maka diperlukan pengaturan beberapa parameter yang mempengaruhi kualitas citra diantaranya :
1) Pemilihan warna latar yang tepat
Warna latar yang dipilih adalah warna yang kontras dengan warna inti sawit. Pemilihan warna latar dilakukan dengan menguji beberapa warna kemudian membandingkan dengan warna inti sawit.
2) Optimasi pencahayaan yang tepat
Penentuan pencahayaan yang tepat dilakukan dengan menguji tiga lampu neon yang memiliki daya 5 Watt, 8 Watt dan 15 Watt. Intensitas pencahayaan diukur menggunakan lux meter. Citra diambil dari setiap lampu neon dan dianalisis menggunakan program pengolahan citra digital, lampu neon yang dipilih adalah lampu yang memberikan akurasi terbaik.
Rancangan Struktural
Sistem klasifikasi memiliki struktur yang dirancang untuk memudahkan operator dalam mengoperasikannya. Perangkat pengambilan citra inti sawit tampak pada Gambar 3.
1) Rangka berukuran 900mm × 600mm × 300mm yang terbuat dari besi siku 2) Tray berlubang berukuran 900mm × 600mm dengan lubang berdiameter 18
mm yang terbuat dari bahan nylon. Nylon merupakan bahan thermoplastic, penggunaan bahan nylon bertujuan untuk mempermudah proses pembuatan lubang.
3) Dudukan kamera yang diatur pada ketinggian 300mm. Penentuan jarak optimum pengambilan citra dilakukan dengan mempertimbangkan luas objek yang dapat diambil yang berimplikasi pada berat objek. Dudukan kamera yang digunakan adalah tongkat selfie (self portrait). Pemakaian tongkat selfie (self
10
portrait) memudahkan pada proses pemasangan dan pelepasan handphone.
Penentuan jarak dilakukan dengan mengambil citra inti sawit pada variasi jarak yang berbeda, selanjutnya citra dianalisis menggunakan perangkat lunak pengolahan citra dan pilih jarak terbaik yang digunakan sebagai acuan pada proses pengambilan citra inti sawit.
Gambar 3 Perangkat pengambilan citra inti sawit
Pengembangan Algoritma Pengolahan Citra
Perangkat lunak pengolahan citra dikembangkan menggunakan bahasa Matlab R2014a dengan Sistem Operasi Windows 7 dengan script program pengolah citra yang terdapat dalam toolbox image processing. Tahapan pengembangan algoritma pengolahan citra dijelaskan sebagai berikut :
1. Pembacaan image
Pembacaan citra dapat menggunakan perintah imread yang berarti image read. Hasil dari pembacaan imread (‘filename’) bisa berupa matriks dua dimensi untuk citra grayscale dan matrik tiga dimensi untuk citra berwarna. 2. Membedakan antara latar dan objek dengan metode binerisasi
Warna latar yang dipilih adalah warna yang kontras dengan warna inti sawit. Selanjutnya warna latar yang dipilih diubah menjadi warna putih sedangkan warna objek diubah menjadi warna hitam.
3. Pelabelan dan deteksi tepi objek
Pelabelan dilakukan dengan memanfaatkan toolbox regionprops untuk mengetahui posisi masing-masing objek (biji) dari citra inti sawit yang terdiri atas beberapa biji. Proses pelabelan mengacu pada centroid dari objek, selanjutnya dilakukan deteksi tepi untuk mengetahui batas dari masing-masing objek.
4. Temu kembali citra
Setelah diketahui posisi masing-masing objek hasil dari proses pelabelan dan deteksi tepi, selanjutnya dilakukan proses temu kembali citra dengan memanggil citra asli (berwarna) sehingga dapat dilakukan cropping sesuai dengan posisi pelabelan.
5. Mengubah mode citra menjadi grayscale, red, green, blue
Citra yang telah di-crop, kemudian dilakukan perhitungan dengan mengubah mode citra menjadi grayscale, red, green, dan blue sehingga diperoleh nilai histogram dari masing-masing mode.
Nilai histogram yang didapat dari masing-masing mode selanjutnya dihitung sehingga menghasilkan data ciri statistik orde satu. Menurut Meelursarn (2006) dan Permadi dan Murinto (2015) nilai-nilai hasil dari eksktraksi ciri statistik ordo pertama dihitung dengan beberapa parameter ciri statistik yang terdiri atas nilai mean, skewness, variance, kurtosis, dan entrophy menggunakan persamaan berikut: 𝜇 = ∑ 𝑓𝑛 𝑛𝑝(𝑓𝑛) (2) 𝜎2 = ∑ (𝑓 𝑛− 𝜇)2𝑝(𝑓𝑛 𝑛 ) (3) 𝜎3 =𝜎1 3∑ (𝑓𝑛− 𝜇) 3𝑝(𝑓 𝑛 𝑛 ) (4) 𝜎4 = 1 𝜎4∑ (𝑓𝑛− 𝜇) 4𝑝(𝑓 𝑛 𝑛 ) − 3 (5) 𝐻 = − ∑ 𝑝(𝑓𝑛)2 𝑛 . log 𝑝(𝑓𝑛) (6) Dimana :
µ : mean (ukuran dispersi dari suatu citra) fn : nilai intensitas keabuan
p(fn) : nilai histogram
σ2 : Variance (variasi elemen pada histogram)
σ3 : Skewness (tingkat kemencengan relatif kurva histogram) σ4 : Kurtosis (ukuran ketidakteraturan bentuk)
H :Entropy
Ekstraksi ciri statistik ordo kedua yang terdiri atas nilai contrast, corelation, energy, dan homogenity lebih banyak digunakan apabila ekstraksi ciri statistik ordo pertama belum cukup mengenali perbedaan antar citra. Pada umumnya ekstraksi ciri statistik ordo dua biasa disebut dengan gray level co-ocurrent matrix (GLCM) seperti penelitian yang dilakukan Prabhu dan Kumar (2014) dan Yonghua dan Cong (2015) yang dihitung dari matriks kookurensi rata-rata menggunakan persamaan berikut :
energy=∑ ∑ {p(i, j)}2 j i (7) CON = ∑ (i − j)2 |i−j| [∑ ∑ {p(i, j)}i j ] (8) COR =∑ ∑ (i,j).p(i,j)−μi j xμy σxσy (9) homogenity= ∑ ∑ 1 1+(i−j)2p(i, j) j i (10) Dimana :
Energy (Angular Second Moment) : ukuran sifat homogenitas citra p(i,j) : nilai pixel pada baris I dan kolom J pada matriks kookurensi CON (contras) : ukuran penyebaran (momen inersia) elemen matriks citra COR (Correlation) : ukuran ketergantungan linear derajat keabuan citra
µx dan µy : nilai standar deviasi pada elemen baris dan kolom pada matriks p(i,j). Homogenity (invers different moment) kehomogenan citra yang berderajat
keabuan sejenis
Identifikasi ciri morfologi dilakukan berdasarakan hasil pelabelan dan batas tepi sehingga didapatkan nilai area, perimeter, metric, dan eccentricity. Nilai area
12
digunakan untuk menduga berat dari masing-masing biji melalui hubungan korelasi antara luas area citra biji dan berat biji. Berdasarkan fitur area dan
perimeter dapat juga dihitung nilai- nilai fitur morfologi lainnya menggunakan persamaan berikut (Mirnasari dan Adi 2013):
𝑀𝑒𝑡𝑟𝑖𝑐 = (𝑝𝑒𝑟𝑖𝑚𝑒𝑡𝑒𝑟)4𝜋 × 𝑎𝑟𝑒𝑎 2 (11)
𝑒 = √1 − (𝑎𝑏)2 (12)
Dimana :
Metric: besaran yang menunjukkan tingkat kebulatan bentuk suatu objek (nilai : 0 hingga 1)
e (Eccentricity) : perbandingan panjang antara major dan minor axis a : panjang dari major axis
b : panjang dari minor axis
7. Analisis KNN
Klasifikasi prediksi mutu inti sawit dilakukan menggunakan KNN. Kombinasi dari data ciri statistik dan morfologi untuk mendapatkan ketepatan prediksi yang terbaik dengan mengacu pada jumlah tetangga terdekat (k). klasifikasi dilakukan terhadap dua parameter nilai akhir yang diinginkan, yaitu persentase berdasarkan jumlah butir dan persentase berdasarkan massa (gram). Konsep dasar Algoritma KNN akan mengklasifikasikan data masukan ke dalam kelas dengan jumlah anggota terbanyak. Pada metode KNN, penggunaan nilai k yang besar memiliki keuntungan, yaitu menyediakan informasi probabilistik.
Pengembangan Perangkat Real Time
Real time image processing pada prinsipnya adalah menggabungkan antara perangkat kamera web (web-cam), komputer dan perangkat pengambilan citra, sehingga objek ditangkap oleh kamera, kemudian ditampilkan dalam layar komputer, setelah itu gambar dapat di-capture dan langsung diolah citranya. Pada penelitian ini kamera yang digunakan merupakan kamera handphone Samsung Galaxy Mega 6.3 dengan spesifikasi kamera 8 MP. Hubungan kamera dan komputer dilakukan dengan bantuan aplikasi droidcam client V.6 yang dapat di
download pada playstore. Aplikasi tersebut akan merubah fungsi kamera
handphone menjadi web-cam dengan prosedur sebagai berikut :
1) Download dan install aplikasi droidcam client V.6 pada personal computer
dan handphone
2) Sambungkan handphone dan personalcomputer menggunakan kabel USB 3) Dalam software matlab, proses akuisisi citra digital menggunakan webcam
dapat dilakukan dengan terlebih dahulu menginstal driver image acquisition support packages for hadware adaptors
4) Setelah driver tersebut berhasil di-install, maka Software Matlab telah
Penyiapan Sampel Inti Sawit
Pengambilan sampel inti sawit dilakukan secara acak sebanyak 5-10 kg dari tumpukan inti sawit pada pabrik pengolahan kelapa sawit. Sampel yang diperolah dibagi menjadi dua, selanjutnya dikemas ke dalam kantong kertas A dan kantong kertas B untuk menghindari perubahan sifat fisik dan kimia pada saat pengujian di laboratorium dan pengambilan citra. Sampel dari kelompok A dibawa ke laboratorium pengujian untuk analisis kadar air dan kadar minyak sedangkan sampel dari kelompok B dibagi menjadi dua bagian untuk data latih dan data uji. Selanjutnya dilakukan pemisahan biji utuh, biji pecah, dan kotoran dari setiap bagian tersebut seperti dapat dilihat pada Gambar 4.
(a) (b) (c) Gambar 4 Klasifikasi inti sawit ; (a) utuh, (b) pecah, (c) kotoran
Setiap kelompok sampel yang telah dipisahkan ditimbang menggunakan timbangan digital dengan ketelitian 0.01 gram dan dilakukan pengambilan citra.
Pelatihan Sistem Real Time Image Processing Menggunakan KNN
Pelatihan sistem bertujuan untuk memberikan pembelajaran sistem dalam mengenali ciri fisik inti sawit utuh, pecah dan kotoran. Data latih digunakan sebanyak 2426 biji (1217 gram) untuk kategori utuh 1070 biji, kategori pecah 805 biji, dan 551 kategori kotoran. Citra inti sawit diambil dengan menyusun tiap biji utuh, pecah atau kotoran pada alat pengambilan citra. Citra yang diambil selanjutnya dianalisis sehingga menghasilkan data ciri citra latih sedangkan pada data uji akan menghasilkan data ciri citra uji. Hasil data latih dan data uji selanjutnya akan diklasifikasi dengan KNN dengan mencari jarak terdekat antara data yang akan dievaluasi dengan k tetangga (neighbour) terdekatnya dalam data pelatihan. Selanjutnya untuk mengetahui kinerja KNN dilakukan analisis dan evaluasi sehingga diketahui akurasi sistem. Diagram alir analisis citra dapat dilihat pada Gambar 5.
14
Gambar 5 Diagram alir analisis citra
Pengujian Sistem Real Time Image Processing Menggunakan KNN
Pengujian sistem bertujuan utuk mengetahui kemampuan sistem dalam memprediksi ketepatan pendugaan inti sawit berdasarkan kategori utuh, pecah, atau kotoran. Pengujian dilakukan terhadap dua parameter nilai akhir yang diinginkan, yaitu persentase berdasarkan jumlah butir dan persentase berdasarkan massa (gram). Sampel yang digunakan sebagai data uji berbeda dengan citra inti sawit yang digunakan sebagai data latih. Total sampel yang digunakan untuk data latih adalah 2426 butir, yang terdiri dari 1070 butir kategori utuh, 805 butir kategori pecah, dan 551 kategori kotoran. Pengujian sistem dilakukan melalui dua tahap pengujian yaitu pengujian 1 dengan menyusun tiap kategori inti sawit utuh,
pecah, atau kotoran pada alat pengambilan citra dan pengujian 2 dengan menebar campuran inti sawit utuh, pecah, dan kotoran pada alat pengambilan citra, selanjutnya inti sawit utuh, pecah, dan kotoran dipisahkan secara manual dan ditimbang. Jumlah sampel pada pengujian 1 terdiri atas inti sawit utuh 441 butir dengan berat 317 gram, pecah 327 butir dengan berat 160.9 gram dan kotoran 273 butir dengan berat 146.3 gram. Sedangkan total berat campuran inti sawit pada pengujian 2 adalah 90 gram. Diagram alir proses klasifikasi kategori inti sawit dapat dilihat pada Gambar 7. Proses pengambilan citra sampai dengan diperoleh hasil klasifikasi dilakukan melalui beberapa tahap sebagai berikut :
1) Menyiapkan inti sawit dengan berat ± 100 gram
2) Menebar dan meratakan inti sawit diatas tray pada meja pengambilan citra agar terpisah satu sama lain (Lampiran 3)
3) Mengangkat tray dari meja pengambilan citra
4) Menekan menu Using Cam, selanjutnya akan muncul figure window usecam (Gambar 6). Setelah muncul tampilan layar pengambilan citra, pilih sumber kamera, dan kemudian tekan preview untuk melihat citra yang ditangkap oleh kamera. Terakhir pilih menu ambil gambar, sehingga tampilan citra akan muncul pada window pengujian.
Gambar 6 Tampilan figure window Usecam
5) Pilih menu Hitung untuk melakukan proses pengolahan citra. Hasil pengolahan citra yang diperoleh yaitu berupa nilai-nilai parameter ekstraksi ciri statistik dan morfologi yang ditunjukkan pada window pengujian (Lampiran 4)
6) Pilih menu Klasifikasi untuk mendapatkan hasil klasifikasi program yang diolah menggunakan KNN. Pada tampilan window pengujian menunjukkan hasil klasifikasi berupa jumlah butir dan jumlah massa (gram) pada masing-masing kategori. Setelah menekan tombol klasifikasi juga secara otomatis akan muncul window baru yang menampilkan citra hasil klasifikasi berupa persentase massa masing-masing kategori (Lampiran 7). Penampilan inti sawit berupa kategori biji utuh, pecah, dan kotoran juga ditampilkan dengan ditandai dengan garis tepi berwarna. Penanda kategori pada inti sawit utuh
16
berupa garis tepi berwarna merah, inti sawit pecah berwarna hijau, dan kotoran berwarna kuning.
Gambar 7 Diagram alir proses klasifikasi kategori inti sawit secara real time
Pengujian ketepatan pendugaan inti sawit pada pengujian sistem dilakukan dengan menggunakan metode K-Nearest Neighbor (KNN). Konsep dasar dari KNN adalah mencari jarak terdekat antara data yang akan dievaluasi dengan
k tetangga terdekatnya dalam data pelatihan. Pada metode KNN, penggunaaan nilai k yang besar memiliki keuntungan, yaitu menyediakan informasi probabilistik. Pada penelitian ini fungsi yang digunakan untuk menghitung jarak antara x dan y digunakan fungsi jarak euclidean, karena fungsinya sederhana, cukup dengan menghitung kuadrat jarak dari dua data yang akan dihitung jaraknya menggunakan persamaan 1. Dimana d (x, y) adalah jarak antara dua data, n adalah jumlah parameter. Jarak euclidean yang semakin kecil menunjukkan kesamaan yang lebih tinggi. Jarak 0 berarti bahwa data sama (Trstenjak et al.2014).
Analisis dan Evaluasi
Kinerja dari nilai KNN dapat diperoleh dengan melihat berapa banyak data pada suatu kelas yang diklasifikasi benar, dengan persamaan sebagai berikut:
𝑎𝑘𝑢𝑟𝑎𝑠𝑖 =𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖 𝑏𝑒𝑛𝑎𝑟 𝑑𝑖𝑘𝑙𝑎𝑠𝑖𝑓𝑖𝑘𝑎𝑠𝑖𝑘𝑎𝑛
𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖 × 100% (14)
Evaluasi juga dilakukan dengan melihat fitur yang memiliki pengaruh cukup baik dalam membedakan kelas, untuk menentukan fitur yang paling relevan untuk membedakan masing-masing kategori digunakan uji statistik ANOVA. Menurut Wagner et al.(2005), analisis variance (ANOVA) adalah metode statistik yang
digunakan untuk memutuskan apakah fitur menunjukkan perbedaan yang signifikan antara dua atau lebih kelas.
Kinerja Sistem Klasifikasi Inti Sawit secara Real Time
Pengujian kinerja dilakukan dengan membandingkan waktu yang dibutuhkan untuk klasifikasi inti sawit secara manual dan dengan menggunakan sistem real time.
4
HASIL DAN PEMBAHASAN
Perangkat Pengambilan Citra Inti Sawit
Perangkat pengambilan citra hasil rancangan terdiri atas laptop, kamera
handphone 8 MP, dudukan kamera, lampu neon, dudukan lampu neon, rangka,
tray berlubang untuk pemisahan inti sawit, dan alat perata untuk memasukkan inti sawit ke dalam tray berlubang. Perangkat pengambilan citra inti sawit hasil rancangan secara keseluruhan dapat dilihat pada Gambar 8. Sedangkan detail perangkat pengambilan citra dapat dilihat pada Gambar 9.
Berdasarkan hasil pengujian dengan menggunakan daya lampu 8 watt dengan intensitas 242 lux memberikan kualitas citra yang lebih baik dibandingkan dengan 5 dan 15 watt. Pada pengujian pemilihan warna latar alat pengambilan citra, warna latar yang dipilih adalah warna biru dengan nilai derajat kebiruan 107-255 karena memberikan nilai kontras terhadap warna inti sawit sehingga menghasilkan citra yang lebih baik dibandingkan dengan warna lainnya. Sedangkan pada pengujian penentuan jarak optimum antara lensa kamera dan objek, jarak optimum terbaik antara lensa kamera dan objek adalah 33 cm dengan luasan objek 300×250 cm pada berat objek kurang lebih 100 gram.
Inti sawit yang terdiri atas biji utuh, pecah dan kotoran ditebar diatas tray
berlubang kemudian diratakan menggunakan alat perata sehingga masuk ke dalam lubang. Tray berlubang kemudian diangkat dan citra inti sawit akan tersusun diatas meja dengan latar berwarna biru.
18
Gambar 8 Perangkat pengambilan citra
(a) (b)
Gambar 9 Detail perangkat pengambilan citra, (a) tampak atas, (b) detail tray berlubang
Sistem Akuisisi Citra
Sistem klasifikasi citra inti sawit terdiri atas tiga blok utama, yaitu:
preprocessing, ekstraksi ciri, dan klasifikasi. Sampel akan diolah oleh sistem klasifikasi dan hasilnya berupa klasifikasi inti sawit. Sistem dirancang menggunakan tampilan Graphical User Interface sehingga tampil lebih menarik dan mudah dioperasikan. Tampilan antar muka sistem pengambilan citra inti sawit seperti ditunjukkan pada Gambar 10.
Lampu neon 10 Watt Lampu neon 10 Watt Kamera HP 8 MP Rangka alat Tampilan citra pada laptop Kabel USB Meja pengambilan citra Laptop 8 Watt
Gambar 10 Tampilan antar muka sistem pengambilan citra inti sawit Inti sawit pada alat pengambilan citra ditampilkan secara real time pada laptop melalui aplikasi droidcam dan koneksi kabel USB. Citra inti sawit dapat diambil melalui menu browse jika gambar diambil melalui file dari directory yang telah disimpan atau menu using cam jika gambar diambil secara real time, kemudian dihitung parameter ciri dan diklasifikasi berdasarkan jenis biji yang ditampilkan seperti pada Gambar 11. Proses klasifikasi yang dihasilkan ditunjukan dalam jumlah butir dan dalam satuan massa (gram).
Gambar 11 Tampilan program proses perhitungan parameter ciri dan diklasifikasi berdasarkan jenis dan jumlah biji inti sawit
Tampilan proses klasifikasi biji utuh dalam persentase massa berdasarkan pendugaan program dapat dilihat pada Gambar 12 yang ditunjukkan melalui perbedaan warna. Warna hijau menunjukkan pendugaan sebagai biji utuh, warna merah menunjukkan pendugaan sebagai biji pecah dan warna kuning menunjukkan pendugaan sebagai kotoran.
20
Gambar 12 Tampilan program proses klasifikasi berdasarkan jenis dan berat biji inti sawit
Database pada sistem adalah ciri dari masing-masing kategori inti sawit pada citra latih yang disimpan dalam file *.mat. Melalui database ciri citra latih tersebut, maka digunakan untuk membandingkan ciri citra latih dengan ciri citra uji dalam klasifikasi.
Karakteristik Citra Inti Sawit
Penampakan dari inti sawit utuh, pecah dan kotoran dapat dibedakan berdasarkan bentuk dan karakteristik kekasaran permukaan sehingga identifikasi fisik inti sawit dilakukan menggunakan metode pengolahan citra digital melalui analisis tekstur dan morfologi. Karakteristik citra inti sawit pada setiap kategori ciri morfologi secara lengkap ditampilkan pada Gambar 13.
Berdasarkan Gambar 13 terlihat bahwa parameter morfologi berada pada rentang yang bervariasi meskipun sebagian besar terlihat beririsan antara kategori utuh, pecah, dan kotoran. Begitu juga dengan parameter karakteristik ciri statistik. Pada Gambar 14 ditunjukkan nilai irisan distribusi penggolongan citra inti sawit berdasarkan parameter ciri statistik. Setiap variabel memberikan nilai pada rentang tertentu dan ketiga kategori beririsan pada rentang nilai yang sama. Semakin besar rentang nilai irisan dari suatu variabel maka akan semakin sulit menduga setiap kategori. Hal ini tentunya sangat dipengaruhi oleh bentuk dan warna dari masing-masing kategori.
(a) (b)
(c) (d) Gambar 13 Sebaran nilai setiap kategori pada ciri morfologi
(a)Area (b)Eccentricity (c) Perimeter (d) Metric
Gambar 14 Nilai irisan distribusi penggolongan citra inti sawit berdasarkan parameter ciri statistik
Berdasarkan Gambar 14 terlihat bahwa setiap citra memiliki karakteristik yang dapat digunakan untuk menduga kategori inti sawit. Pada kelompok kategori inti sawit dengan nilai selisih irisan yang besar dapat menyebabkan kesalahan dalam pendugaan. Berdasarkan hasil analisis ternyata pada citra grayscale dan red
lebih baik daripada citra green dan blue jika digunakan untuk menduga kategori inti sawit pada nilai parameter ciri mean, entropy, variance, contrast, dan
-1000,0 0,0 1000,0 2000,0 3000,0 4000,0 5000,0
Utuh Pecah Kotoran
A re a (p ix el) 0,0 0,2 0,4 0,6 0,8 1,0 1,2
Utuh Pecah Kotoran
Eccen tri cit y 0 50 100 150 200 250 300
Utuh Pecah Kotoran
P erim ete r (p ix el) 0,0 0,2 0,4 0,6 0,8 1,0
Utuh Pecah Kotoran
M etri c 0,00 0,50 1,00 1,50 2,00 2,50 3,00 3,50 4,00 4,50
22
homogenity. Sedangkan pada citra blue lebih baik digunakan pada nilai parameter
skewness, kurtosis, correlation, dan energy dibandingkan dengan citra lainnya.
Hasil Pengujian Sistem Real Time Image Processing Menggunakan KNN
Pada pengujian sistem, sampel yang digunakan sebagai data uji berbeda dengan citra inti sawit yang digunakan sebagai data latih. Pengujian sistem dilakukan melalui dua tahap pengujian yaitu pengujian 1 dengan menyusun tiap inti sawit utuh, pecah atau kotoran pada alat pengambilan citra, dan pengujian 2 dengan menebar campuran inti sawit utuh, pecah dan kotoran pada alat pengambilan citra selanjutnya inti sawit utuh, pecah, dan kotoran dipisahkan secara manual dan ditimbang.
Hasil pengujian 1 dengan parameter nilai k yang berbeda dapat dilihat pada Gambar 15. Akurasi pendugaan tertinggi didapatkan saat nilai k=27, yaitu sebesar 66.65%, sedangkan akurasi pendugaan masing-masing kategori dapat dilihat pada Tabel 2.
Gambar 15 Akurasi pendugaan kategori inti sawit dengan berbagai nilai k
Pada Tabel 2 terlihat bahwa pada klasifikasi dengan nilai k=27 sistem mampu mendeteksi kategori utuh dengan akurasi rata-rata 82.7%, pecah sebesar 69.57% dan kotoran sebesar 37%. Pada pendugaan kategori kotoran memiliki akurasi yang paling kecil, hal ini dapat disebabkan karena kotoran memiliki beberapa nilai yang memiliki kesamaan dengan parameter yang dimiliki kategori utuh dan pecah.
Analisis Variance (ANOVA) adalah metode statistik yang digunakan untuk memutuskan apakah fitur menunjukkan perbedaan yang signifikan antara dua atau lebih kelas. Pada Lampiran 2 penambahan correlation pada citra grayscale dan
correlation pada citra red ternyata tidak memberikan pengaruh yang signifikan terhadap penentuan kategori inti sawit. Hal ini dilihat dari taraf signifikansi yang bernilai >0,05. Sedangkan untuk parameter lainnya memiliki taraf signifikansi <0,05, berarti parameter-parameter tersebut dapat memberikan pengaruh yang signifikan terhadap penentuan kategori inti sawit.
59,00 60,00 61,00 62,00 63,00 64,00 65,00 66,00 67,00 1 5 9 13 17 21 25 29 33 37 41 45 49 53 57 61 A ku rasi ( % ) k
Tabel 2 Ketepatan pendugaan klasifikasi dengan nilai k = 27
Kategori Ulangan Total uji
Terbaca benar
Terbaca salah Akurasi (%)
Rata-rata akurasi
(%) Utuh Pecah Kotoran
utuh 1 150 109 25 16 72.67 82.77 2 150 130 18 2 86.67 3 142 113 18 11 79.58 4 142 112 21 9 78.87 5 149 130 13 6 87.25 6 149 136 9 4 91.28 pecah 1 103 71 24 8 68.93 69.57 2 103 74 23 6 71.84 3 120 88 27 5 73.33 4 120 86 27 6 71.67 5 104 68 32 4 65.38 6 104 68 24 12 65.38 kotoran 1 101 31 60 10 30.69 37.00 2 101 31 55 15 30.69 3 87 39 43 5 44.83 4 87 36 36 15 41.38 5 85 37 35 13 43.53 6 85 28 50 7 32.94
Menurut SNI 01-0002–1987 persentase nilai kategori inti sawit dihitung dari berat total, untuk itu perlu dilakukan konversi nilai jumlah butir menjadi berat (gram). Kurva regresi hubungan antara massa dan luas pixel inti sawit pada masing-masing kategori dapat dilihat pada Gambar 16, 17, dan 18. Persamaan hasil regresi hubungan antara massa dan luas tersebut kemudian dimasukkan kedalam program untuk menduga persentase berat masing-masing kategori.
Gambar 16 Kurva regresi hubungan antara berat dan luas untuk kategori biji utuh
y = 0,0026x1,0107 R² = 0,7001 0 0,2 0,4 0,6 0,8 1 1,2 1,4 1,6 0 100 200 300 400 500 600 M assa (gr am ) Luas (pixel)
24
Gambar 17 Kurva regresi hubungan antara berat dan luas untuk kategori biji pecah
Gambar 18 Kurva regresi hubungan antara berat dan luas untuk kategori kotoran Pengujian program untuk menduga persentase berat masing-masing kategori ditampilkan pada Tabel 3. Pada proses klasifikasi kategori inti sawit masih terdapat kesalahan dalam menterjemahkan inti sawit yang diambil citranya sebagai data uji. Berdasarkan hasil pendugaan terlihat bahwa akurasi masing-masing kategori berada pada rentang yang bervariasi. Akurasi tertinggi terdapat pada kategori utuh yang mencapai lebih dari 70%. Jika dilihat dari regresi hubungan antara luas dan berat inti sawit, masing-masing kategori memiliki nilai R2 tidak lebih dari 80%. Hal ini dapat disebabkan karena bentuk dari inti sawit yang berupa bentuk tiga dimensi, sehingga luas area permukaan tergantung pada posisi inti sawit diletakkan. Hasil pengujian berdasarkan massa (gram) menunjukkan akurasi terkecil terdapat pada kategori kotoran, yaitu sebesar 40.55%. Akurasi yang kecil pada pendugaan kotoran, disebabkan karena kotoran meliputi serpihan cangkang besar dan kecil. Pada serpihan cangkang besar terdapat cekungan besar tempat dimana posisi inti sawit berada. Beberapa contoh serpihan cangkang ditampilkan pada Gambar 19. Cekungan besar ini dapat menjadi penyebab terjadinya kesalahan dalam menduga massa inti sawit kotoran.
y = 0,0007x1,1707 R² = 0,5988 0 0,2 0,4 0,6 0,8 1 1,2 1,4 0 100 200 300 400 500 M assa(g ram ) Luas(pixel) y = 0,0002x1,3247 R² = 0,6418 0 0,5 1 1,5 2 2,5 0 200 400 600 800 1000 1200 M assa(g ram ) Luas(pixel)
