Fakultas Ilmu Komputer
8755
Klasifikasi Jenis Buah Apel Lokal Berdasarkan Penciri Warna,
Aspectratio
dan GLCM Menggunakan
Belt
Konveyor Berbasis Raspberry Pi
Lita Nur Fitiriani1, Fitri Utaminingrum2, Wijaya Kurniawan3
Program Studi Teknik Komputer, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1lita.nur.fitriani@gmail.com, 2f3_ningrum@ub.ac.id, 3wjaykurnia@ub.ac.id
Abstrak
Kota Batu memiliki berbagai macam hasil bumi. Salah satu hasil perkebunan yang berlimpah adalah Buah apel. Terdapat empat jenis apel yaitu Apel Anna, Manalagi, Wanglin dan Rome Beauty. Dari keempat jenis apel tersebut pada saat dilakukan panen lalu dilakukan sortir bedasarkan jenisnya, proses ini masih menggunakan tenaga manusia. Tentunya proses ini sering kali tidak akurat karena proses pemilihan yang dilakukan dapat berbeda-beda tiap orang, karena bedanya persepsi tiap orang. Berdasarkan permasalahan tersebut dibuat sebuah sistem sortir yaitu dengan memanfaatkan klasifikasi yang dapat memisahkan keempat jenis apel berdasarkan bentuk, warna, dan tekstur. Dalam sistem ini menggunakan Webcam sebagai sensor untuk menangkap gambar buah apel lalu di proses pada Rapberry Pi 3. Proses pemilahan dengan menggunakan tiga buah servo sebagai aktuator untuk mendorong buah apel masuk pada klasifikasinya. Citra yang sudah ditangkap oleh webcam selanjutnya akan diproses pada Raspberry Pi lalu gambar tersebut akan dilakukan metode pengolahan citra sehingga mendapatkan nilai Hue, Aspectratio dan GLCM Contrast. Jika nilai sudah didapatkan maka Raspberry Pi 3 dan Arduino Uno berkomunikasi menggunakan komunikasi serial I2C sehingga servo akan bergerak sesuai hasil klasifikasi. Dari percobaan yang telah dilakukan didapatkan hasil akurasi nilai aspectratio sebesar 80%. Untuk pengujian akurasi antara software dan hardware sebesar 80%. Sedangkan rata-rata waktu komputasi sebesar 15997.2ms atau sebesar 15 detik.
Kata Kunci : GLCM, Konveyor, Buah Apel Batu, Sortir.
Abstract
Batu City has a variety kind of produce. One of the abundant product of plantations is apples. There are four types of apples, such as Anna Apple, Manalagi Apple, Wanglin Apple, and Rome Beauty Apple. From the four types of apples, when crop is done, and then sorting will be done based on its type, this process still uses human power. Certainly, this process is often inaccurate because the process of selection done can be different for each person. Based on these problems, a sorting system is made by utilizing a classification that can separate the four types of apples based on shape, color, and texture. In this system, it uses a Webcam as a censor to capture images of apples, and then it is processed on Rapberry Pi 3. The process of sorting uses three servos as an actuator to push the apples into its classification. The image that has been captured by the webcam will be processed on Raspberry Pi, and then the image will be done with image processing method to get the Hue, Aspectratio and GLCM Contrast values. If the value has been obtained, Raspberry Pi 3 and Arduino Uno communicate by using I2C serial communication, so that the servo will move based on the result of classification. From the study that has been done, it is obtained the result of the accuracy of aspectratio value as much as 80%. For testing, the accuracy between software and hardware is as much as 80%. While the average time of computation is as much as 159972 ms or 15 seconds.
Keywords : GLCM, Conveyor, Batu Apple, Sorting.
1. PENDAHULUAN
Kota Batu merupakan salah satu kota yang baru terbentuk pada tahun 2001 sebagai pecahan
apel. Buah dengan nama latin Malus sylvestris Mill merupakan komoditas utama hasil perkebunan (Yuwono, 2015).
Buah Apel merupakan produk khas yang menjadi andalan di Kota Batu, terdapat 4 (empat) jenis yang memiliki rasa, bentuk dan tekstur kulit yang berbeda. Keempat buah apel tersebut adalah apel Ana, Manalagi, Romebeauty, dan Wanglin. Keempat jenis buah tersebut tumbuh subur di Kota Batu sehingga hasil buah apel menjadi berlimpah. Berlimpahnya hasil panen buah Apel tentunya membuat petani gembira karena tentunya dapat meningkatkan omset petani. Berlimpahnya hasil penen tersebut juga diiringi oleh permintaan pasar yang banyak.
Berlimpahnya hasil panen akan berdampak pada proses sortir yang memilah berdasarkan jenisnya. Proses pemilahan ini masih dilakukan secara manual sehingga membutuhakn banyak tenaga manusia untuk melakukan pemilahan. Proses ini sering kali tidak akurat karena proses pemilihan yang dilakukan dapat berbeda-beda tiap orang, karena bedanya persepsi tiap orang, sehingga sangat memungkinkan terjadi kesalahan. Apabila klasifikasi dilakukan bagi orang yang tidak pakar, maka sangat memungkinkan terjadi kesalahan karena tidak semua orang bisa membedakan atau mengklasifikasi jenis apel secara virtual tanpa adanya pengalaman.
Adapun penelitian sebelumnya yang telah dilakukan oleh Al Amin Putra dengan judul
“Perancangan Dan Pembuatan Alat Pemisah
Buah Apel Berdasarkan Ukuran Dengan
Pengendali Mikrokontroler Atmega 8535” (AL
Amin Putra, 2013). Pemisahan buah apel bedasarkan ukuran secara otomatis dengan menggunakan sensor laser dan photodiode sebegai pendeteksi ukuran buah, dan hasil bacaan dari sensor akan diampilkan pada LCD. Setelah mendapat hasil sensor kan mengirim data ke Mikrokontroller Atmega 8535 untuk mengaktifkan motor DC guna memasukkan apel ke wadah berdasarkan ukuran.
Penelitian yang berjudul “Perancangan
Sistem Inspeksi Visual Berbasis Computer
Vision Untuk Penggolongan Buah Apel” yang
ditulis oleh Syakir Almas Amrullah (Amrullah, 2017) menerapkan sistem computer vision untuk mengekstraksi dan menganalisis penciri warna dan bentuk pada citra buah apel. Sensor yang digunakan untuk menangkap citra kulit buah apel dengan menggunakan Webcam Logitech
C170 dan dibantu dengan lampu LED strip sedangkan perangkat lunak yang digunakan adalah Visual Studio Community 2015 dan pustaka OpenCV 3.0.0. Proses program yang dilakukan untuk mendeteksi yaitu dilakukan proses akuisis citra, deteksi tepi dengan menggunakan Canny lalu dilakukan ekstraksi penciri bentuk dan ekstraksi penciri warna. Tahapan yang dilakukan dalam ekstraksi penciri warna dengan mentraksformasikan citra ruang warna RGB ke dalam ruang warna HSV. Ruang warna HSV lebih menyerupai dan sesuai dengan persepsi manusia. Dalam penelitian ini hanya menggunakan kanal warna Hue, ini dikarenakan lebih baik meskipun mendapat pencahayaan yang berbeda. Pada penelitian ini hanya menggunakan buah apel anna, fuji dan red delicious.
Berdasarkan permasalahan yang diangkat, diperlukan sebuah solusi yang efisien untuk melakukan proses sortir dengan cara yang tepat. Dibangunlah sebuah sistem sortir dengan memanfaatkan konveyor yang dapat memilah berdasarkan warna, bentuk dan tekstur. Menggunakan webcam sebagai sensor untuk mendeteksi suatu objek yang akan diteliti. Dengan menaruh buah apel pada sabuk konveyor lalu citra objek diolah pada sebuah
software yaitu opencv dengan parameter bentuk, warna kulit dan tekstur kulit. Dari hasil parameter tersebut lalu buah apel akan di klasifikasikan berdasarkan jenisnya dengan menggunakan aktuator berupa lengan pendorong yang digerakkan oleh Motor Servo.
Dalam penelitian ini menggunakan parameter berupa nilai Hue dikarenakan Hue
dapat menyatakan warna yang sebenarnya dan untuk menentukan warna kehijauan (greeness) dan kemerahan (redness) dari format warna HSV dan aspectratio dimana terdapat nilai tinggi (High) dan lebar (Width). Sedangkan untuk mendapatkan hasil tekstur kulit Apel menggunakan metode Grey Level
Co-Occurrence Matrix (GLCM) dimana GLCM ini
bekerja dengan melihat piksel pertama dan tiga piksel di sebelah kiri, kanan, atas bawah, proses ini akan terus diulang hingga piksel terakhir gambar tersebut.
2. PERANCANGAN DAN IMPLEMENTASI
2.1 Gray Level Co-Occurrence Matrix (GLCM)
GLCM adalah salah satu metode yang digunakan untuk menganalisa tekstur.
Co-Occurrence Matrix atau matrik ko-okurensi
dapat dibentuk dari suatu citra dengan melihat piksel yang memilki intensitas tertentu dan piksel yang berpasangan. Dengan menggunakan metode GLCM untuk mendeteksi tekstur maka ini berdasarkan pada hipotesa bahwa dalam suatu tekstur akan terjadi pasangan aras keabuan atau perulangan konfigurasi. Untuk menganalisa citra berdasarkan distribusi statistik dari intensitas pikselnya, dapat dilakukan dengan mengekstrak fitur teksturnya (Kurniati, 2015). Dalam GLCM terdapat beberapa fitur diantaranya contrast yang digunakan dalam penelitian ini dengan persamaan sebagai berikut dengan i adalah baris dan j adalah kolom:
𝐶𝑜𝑛𝑡𝑟𝑎𝑠𝑡 = ∑𝒊 ∑ (𝒊 − 𝒋)𝒋 𝟐𝑪 (𝒊, 𝒋) (1)
2.2 Aspectratio
Aspectratio menjelaskan suatu hubungan proporsional antara lebar dan tinggi. Dalam citra ataupun video digital lebar suatu video diukur dari piksel horizontal dari kiri ke kanan. (Venantius, 2013). Persamaan matematika untuk menghitung aspectratio:
𝐴𝑠𝑝𝑒𝑐𝑡𝑟𝑎𝑡𝑖𝑜 = 𝑤𝑖𝑑𝑡ℎℎ𝑖𝑔ℎ × 100% (2)
2.3 Gambaran Umum Sistem
Klasifikasi Jenis Buah Apel Lokal Dengan Berdasarkan Penciri Warna, Aspectratio Dan GLCM Berbasis Raspberry Pi merupakan suatu sistem klasifikasi dengan parameter berupa bentuk, warna dan tekstur dari kulit buah apel lokal. Dengan meletakkan kamera webcam di samping pintu masuk apel dan juga menambahkan LED agar proses pendeteksian bentuk, warna, dan tekstur lebih maksimal. Parameter yang digunakan dalam menentukan jenis apel adalah nilai Hue dalam HSV,
aspectratio dan nilai yang didapat dari GLCM.
Raspberry Pi 3 digunakan sebagai mini komputer untuk memproses pengolahan citra.
Webcam
Gambar 1. Blok Diagram Perancangan Perangkat Keras
Dalam penelitian ini juga menggunakan Arduino yang berfungsi sebagai penggerak Motor Stepper, Motor Servo dan sabuk (belt)
conveyor. Raspberry Pi 3 dan Arduino
berkomunikasi dengan menggunakan Serial I2C sehingga keduanya dapat saling mengirim dan menerima data. Pada conveyor terdapat pendorong yang berfungsi melakukan klasifikasi jenis apel dengan menggunakan rule evaluation
Berdasarkan Gambar 1 dimulai dengan meletakkan apel pada konveyor. Input berupa buah apel yang dideteksi oleh webcam dan dibantu pencahayaan oleh LED. Hasil dari
webcam diproses pada Raspberry Pi 3, lalu
output berupa servo akan mendorong buah apel
masuk pada jenis klasifikasinya.
2.4 Perancangan Sistem
Pada Gambar 2 pada perancangan ini Sistem Klasifikasi Buah Apel lokal perlu dilakukan desain prototype terlebih dahulu. Pembuatan desain prototype dilakukan dengan menggunakan aplikasi CorelDraw. Sistem sortir buah apel berbentuk conveyor berjalan. Terdapat satu buah webcam yang letaknya berada di samping tempat masuknya buah apel. Pada webcam diletakkan 5 buah LED yang berada di atas webcam dan 3 buah LED yang letaknya di bawah webcam. Posisi kamera adalah tetap. Pada konveyor ini juga terdapat 3 buah lengan yang dapat mendorong buah apel untuk melakukan proses klasifikasian. Servo pertama untuk mendorong buah Ana, servo kedua untuk mendorong buah jenis Manalagi, servo ketiga untuk mendorong buah jenis Romebeauty, sedangkan jenis Wanglin lurus mengikuti arah konveyor. Sabuk konveyor digulung pada sebuah as yang diputar dengan Motor Stepper
dengan shaftcoupling sebagai penghubung. Berdasarkan Gambar 3 tahap ini webcam
compiler.
Berdasarkan Gambar 4 implementasi klasifikasi jenis apel awalnya diperlukan inisialisi library pada opencv dan IDE Arduino.
Diperlukan catu daya untuk menjalankan motor
stepper. Setelah itu buah apel yang akan di klasifikasi ditaruh pada belt dengan jarak yang sudah ditentukan dari webcam. Webcam akan mengambil citra kulit buah dengan beberapa tahapan yang akan di lakukan seperti
Morphology dan Threshold. Terdapat 3 buah kotak kecil berukuran 30x30 yang digunakan untuk mengambil sample untuk proses GLCM dan 1 kotak yang digunakan untuk mengambil
sample warna Hue. Hasil dari pengolahan citra adalah berupa nilai Hue dari HSV, GLCM
Contrast, dan Aspectratio. Nilai-nilai tersebut akan dijadikan masukan untuk melakukan klasifikasi. Jika klasifikasi sudah selesai maka Raspberry Pi dan Arduino melakukan komunikasi serial I2C pada SDA dan SCL. Fungsi dari kedua pin tersebut adalah untuk saling mengirim dan menerima data. Setelah itu lengan pendorong akan bergerak sesuai hasil klasifikasi dan buah akan masuk pada wadah.
Gambar 2. Desain prototype alat
Mulai
Baca citra objek
Klasifikasi Jenis Apel
Selesai Pengolahan
Citra
Gambar 3. Perancangan Perangkat Lunak
.
Mulai
Menjalankan stepper untuk
konveyor
Menaruh buah apel pada belt
Pengambilan data citra
Servo mendorong
buah apel.
Buah apel masuk ke wadah sesuai
jenisnya.
Selesai Menginisialisasi
library pada Raspberry Pi 3
dan Arduino Uno
Klasifikasi
Gambar 4. Diagram Alir Program Utama Sistem
2.5 Implementasi Sistem
Berdasarkan Gambar 5 dalam pembuatan prototype alat menggunakan bahan triplek untuk badan, kain yang berfungsi layaknya belt
diletakkan pada papan penyanggan diatas untuk dapat dihubungkan pada webcam, dan LED. Untuk komponen lain seperti Arduino, motor driver, dan kabel-kabel untuk menghubungkan tiap komponen diletakkan di bawah papan belt
konveyor agar terlihat rapi.
Berdasarkan Gambar 6 ada implementasi ini perlu diperhatikan dalam meletakkan buah apel agar proses pendeteksian mendapatkan hasil yang sesuai. Dari webcam sudah ditentukan jarak untuk apel diletakkan sehingga posisinya adalah tetap. Setelah apel selesai dideteksi oleh webcam maka akan berjalan, lalu servo akan bergerak sesuai hasil klasifikasi.
Gambar 5. Implementasi Prototype Alat Pendeteksi
Gambar 6. Posisi Buah Apel pada saat dideteksi
Gambar 7. Lengan Pendorong Mendorong Buah Apel
Berdasarkan Gambar 5 dalam pembuatan prototype alat menggunakan bahan triplek untuk badan, kain yang berfungsi layaknya belt
konveyor, karton yang digunakan sebagai penyanggah kamera dan akrilik dengan ketebalan 2mm yang digunakan sebagai lengan pendorong. Pada prototype posisi Raspberry Pi diletakkan pada papan penyanggan diatas untuk dapat dihubungkan pada webcam, dan LED. Untuk komponen lain seperti Arduino, motor driver, dan kabel-kabel untuk menghubungkan tiap komponen diletakkan di bawah papan belt
konveyor agar terlihat rapi.
Berdasarkan Gambar 6 ada implementasi ini perlu diperhatikan dalam meletakkan buah apel agar proses pendeteksian mendapatkan hasil yang sesuai. Dari webcam sudah ditentukan jarak untuk apel diletakkan sehingga posisinya adalah tetap. Setelah apel selesai dideteksi oleh webcam maka akan berjalan, lalu servo akan bergerak sesuai hasil klasifikasi.
Berdasarkan Gambar 7 tiga buah lengan pendorong yang berfungsi untuk mendorong satu jenis apel. Servo pertama untuk apel ana, servo kedua untuk apel manalagi, servo ketiga untuk apel romebeauty dan untuk apel wanglin maka akan berjalan lurus sesuai arah belt
konveyor.
3. PENGUJIAN DAN ANALISIS
3.1 Pengujian Akurasi Nilai Aspectratio
Pengujian ini dilakukan untuk menentukan nilai aspectratio dari keempat jenis apel dengan melihat hasil perbandingan antara tinggi dan lebar.
Dalam pengujian ini dilakukan penghitungan nilai aspectratio untuk keempat jenis apel. Proses pengujian dilakukan sebanyak 10 kali untuk masing-masing buah, sehingga terdapat 40 hasil pengujian. Aspectratio apel ana memiliki nilai yang lebih kecil dibanding nilai dari apel manalagi, romebeauty dan wangling. Hal ini dikarenakan bentuk yang sudah beda. Berikut akan ditampilkan 5 hasil pengujian adalah hasil klasifikasi:
Tabel 1 Hasil Pengujian Aspectratio Apel Ana
Uji
Ke- Aspectratio
Hasil Klasifikasi
Apel Sebenarnya
1 88.965 Ana Ana
2 89.361 Ana Ana
4 87.671 Ana Ana
5 88.356 Ana Ana
Tabel 2 Hasil Pengujian Aspectratio Apel Manalagi
Uji
Tabel 3 Hasil Pengujian Aspectratio Apel Romebeauty
1 117.592 Romebeauty Romebeauty
2 118.518 Romebeauty Romebeauty
3 116.666 Romebeauty Romebeauty
4 120.754 Romebeauty Romebeauty
5 123.931 Tidak
Terdeteksi Romebeauty
Tabel 4 Hasil Pengujian Aspectratio Apel Wanglin
Uji
Tabel 5 Hasil Akurasi Keseluruhan
No Nama Rata-rata Aspectratio
1 Apel ana 90% pengujian keempat jenis tersebut sebesar 80%.
3.2 Pengujian Waktu Komputasi
Dilakukannya pengujian ini adalah untuk mengetahui berapa lama waktu yang dibutuhkan oleh sistem untuk menyelesaikan proses hingga mendapatkan hasil klasifikasi.
Dalam pengujian ini dilakukan pengujian waktu komputasi untuk keempat jenis apel.
Proses pengujian dilakukan sebanyak 10 kali untuk masing-masing buah, sehingga terdapat 40 hasil pengujian. Dari 40 hasil pengujian didapat nilai waktu komputasi yang beragam. Dari hasil pengujian waktu komputasi didapat total waktu komputasi untuk 40 kali pengujian adalah 63988.8 ms sedangkan untuk rata-rata waktu komputasi adalah 15997.2 ms atau 15 detik. Hasil waktu komputasi pada Tabel 6.
3.3 Pengujian Akuasi Klasifikasi dari sisi Software dan Hardware
Pengujian ini dilakukan untuk melihat apakah hasil output dari compiler program dengan aktuator berjalan sesuai dengan kondisi yang sebenarnya.
Dalam pengujian ini dilakukan pengujian akurasi antara software dan hardware. Pada software compiler akan menampilkan nilai Hue,
Aspectratio, GLCM Contrast dan jenis apel apa yang sedang dideteksi. Proses pengujian dilakukan sebanyak 10 kali untuk masing-masing buah, sehingga terdapat 40 hasil pengujian. Hasil akurasi klasifikasi dari perangkat lunak dan perangkat keras terdapat pada Tabel 7 hingga Tabel 11.
Tabel 6. Hasil Waktu Komputasi
No Nama Total waktu komputasi
1 Apel ana 15713.5 ms
Tabel 7 Hasil Akurasi Klasifikasi Software dan Hardware Apel Ana
Tabel 8 Hasil Akurasi Klasifikasi Software dan Hardware Apel Manalagi
Manalagi Manalagi Sesuai Ya Tidak
Terdeteksi Manalagi Tidak Sesuai Tidak
Tabel 9 Hasil Akurasi Klasifikasi Software dan Hardware Apel Romebeauty
Hasil Klasifikasi
Apel Sebenarnya
Kesesuaia n
Servo Mendorong
Romebeauty Romebeauty Sesuai Ya Romebeauty Romebeauty Sesuai Ya Romebeauty Romebeauty Sesuai Ya Romebeauty Romebeauty Sesuai Ya
Tidak
Terdeteksi Romebeauty
Tidak
Sesuai Tidak
Tabel 10 Hasil Akurasi Klasifikasi Software dan Hardware
Hasil Klasifikasi
Apel
Sebenarnya Kesesuaian
Servo Mendorong
Wanglin Wanglin Sesuai Ya Wanglin Wanglin Sesuai Ya Wanglin Wanglin Sesuai Ya Wanglin Wanglin Sesuai Ya
Tidak
Terdeteksi Wanglin Tidak Sesuai Tidak
Tabel 11 Rata-rata Hasil Akurasi Software dan Hardware
No Nama Rata-rata hardware dan
software
1 Apel ana 90%
2 Apel manalagi 90%
3 Apel romebeauty 60%
4 Apel wanglin 80%
Rata-rata 80%
Berdasarkan hasil pengujian dari Tabel 11 didapat rata-rata adalah 80%.
4. KESIMPULAN
Berdasarkan pengujian yang telah dilakukan, terdapat beberapa kesimpulan yaitu:
Berdasarkan hasil pengujian yang dilakukan didapat hasil untuk akurasi nilai aspectratio adalah untuk buah Ana 90%, Manalagi 90%, Romebeauty 60% dan Wanglin sebesar 80%. Sedangkan untuk akuasi keseluruhan adalah sebesar 80%. Sedangkan untuk presentaase error perhitungan manual adalah untuk buah apel ana sebesar 21.5 % sedangkan untuk buah apel manalagi sebesar 7.369 %.
Waktu komputasi yang dibutuhkan sistem untuk mendeteksi sampai proses klasifikasi membutuhkan waktu total rata-rata 15997.2ms yang jika dikonversi ke detik menjadi 15 detik.
Berdasarkan hasil pengujian yang dilakukan nilai akurasi untung masing-masing buah adalah buah Ana 90%, Manalagi 90%, Romebeauty 60% dan Wanglin sebesar 80%. Sedangkan untuk akuasi keseluruhan adalah sebesar 80%. Terdapat 8 jenis apel yang tidak terdeteksi oleh
software, dikarenakan kulit buah apel yang tidak terdeteksi memiliki nilai diluar dari range yang sudah ditentukan. Oleh karena itu servo tidak bergerak untuk melakukan proses klasifikasi.
5. DAFTAR PUSTAKA
AL Amin Putra, K. I. H., 2013. Perancangan Dan Pembuatan Alat Pemisah Buah Apel Berdasarkan Ukuran Dengan Pengendali Mikrokontroler Atmega 8535. pp. 2-3. Amrullah, S. A., 2017. Perancangan Sistem
Inspeksi Visual Berbasis Computer Vision Untuk Penggolongan Buah Apel. p. 9. Kurniati, F. T., 2015. Pengembangan Printer
Forensik Untuk Identifikasi Data Dokumen Cetak. p. 14.
Venantius, 2013. Simple Aja. [Online] Available at: https://simple-aja.info/aspect-ratio-pada-layar-televisi-dan-video.html [Accessed 17 August 2018].
Yuwono, S. S., 2015. Apel (Malus sylvestris
Mill). [Online]
Available at: