PEMUTUAN BUAH JERUK SIAM PONTIANAK (Citrus nobilis var. microcarpa) DENGAN TEKNIK PENGOLAHAN CITRA SUSANTO BUDI SULISTYO

Transkripsi

1 i PEMUTUAN BUAH JERUK SIAM PONTIANAK (Citrus nobilis var. microcarpa) DENGAN TEKNIK PENGOLAHAN CITRA SUSANTO BUDI SULISTYO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008

2 i PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakan bahwa tesis Pemutuan Buah Jeruk Siam Pontianak (Citrus nobilis var. microcarpa) Dengan Teknik Pengolahan Citra adalah karya saya sendiri dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi manapun. Sumber informasi yang berasal atau kutipan dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini. Bogor, Agustus 2008 Susanto Budi Sulistyo NIM F

3 ii ABSTRACT SUSANTO BUDI SULISTYO. Quality Evaluation of Pontianak Citrus (Citrus nobilis var. microcarpa) Using Image Processing. Under direction of USMAN AHMAD and I DEWA MADE SUBRATA. Pontianak citrus has a great potential to increase its popularity and price as a local fruit. One method to do this is by applying new method in quality evaluation for grading. So far, quality evaluation of pontianak citrus is conducted manually by farmers, thus the result is not uniform. Image processing can be used as a non-destructive evaluation for agricultural products grading. The objectives of this research were to analyze visual parameters of pontianak citrus image, to study relationship between quality parameters and visual parameters of pontianak citrus, to classify pontianak citrus based on its size according to SNI criteria and color of citrus peel, to develop a new quality evaluation algorithm to classify pontianak citrus based on visual parameters of fruit image, and to compare the result of the new quality evaluation with manual one by farmers. The result of this research showed that there were correlations between area of image and weight of fruit, and between area of image and diameter of fruit which coefficient of determination were and , with correlation equations were weight = *area and diameter = 0.001*area , respectively. Accuracy level of pontianak citrus classification using image processing based on its weight was 95.1%. By this classification, pontianak citrus was classified into four classes according to SNI criteria (A, B, C, and D). Pontianak citrus could also be classified based on its color of fruit peel as proposed in this thesis. By this classification, pontianak citrus was classified into three categories (yellow, yellowish green, and green). Accuracy level of this classification was 94% using red color index. Algorithm of the proposed quality evaluation using image processing based on area and red color index of fruit image could classify pontianak citrus into 12 grades. The result of this new quality evaluation was better than manual one, because it was more uniform (size and color of fruit peel) and the size of fruit was still agree with SNI criteria. Keywords: grading, non-destructive evaluation, visual, quality, fruit.

4 iii RINGKASAN SUSANTO BUDI SULISTYO. Pemutuan Buah Jeruk Siam Pontianak (Citrus nobilis var. microcarpa) Dengan Teknik Pengolahan Citra. Dibimbing oleh USMAN AHMAD dan I DEWA MADE SUBRATA. Jeruk memiliki banyak spesies, diantaranya adalah jeruk keprok (termasuk jeruk siam), jeruk manis, jeruk besar, jeruk nipis, jeruk purut, dan jeruk ponsil. Jeruk siam menduduki posisi yang penting dalam dunia jeruk. dan diperkirakan sekitar 60% kebutuhan akan buah jeruk dipenuhi oleh jeruk siam. Jeruk siam memiliki kelebihan antara lain rasa manis, harum dan mengandung banyak air. Jeruk siam pontianak atau biasa disebut dengan istilah jeruk pontianak (Citrus nobilis var. microcarpa), mempunyai ciri fisik kulitnya tipis dan licin mengkilat. Pada tahun 2003, luas panen jeruk siam (siam pontianak) di Kabupaten Sambas mencapai ha dengan produksi ton. Jeruk pontianak mempunyai peluang besar untuk dikembangkan. Proses sortasi buah jeruk siam pontianak masih dilakukan secara manual dengan visual mata manusia. Sortasi manual seperti ini menghasilkan pemutuan buah yang kurang seragam. Hal ini disebabkan oleh kelelahan manusia, keragaman visual manusia, dan perbedaan persepsi mutu buah itu sendiri. Oleh karena itu, diperlukan suatu sistem visual dengan memakai sensor elektro-optika berbasis pada aplikasi komputer sehingga diperoleh hasil sortasi yang seragam karena berdasarkan penilaian yang obyektif dan konsisten. Pengolahan citra (image processing) merupakan sebuah teknologi visual yang digunakan untuk mengamati dan menganalisis suatu objek tanpa berhubungan langsung dengan objek tersebut dan dapat dimanfaatkan untuk evaluasi mutu suatu produk tanpa merusak produk itu sendiri atau disebut non-destructive evaluation (NDE). Tujuan penelitian ini adalah untuk melakukan analisis pengolahan citra buah jeruk pontianak untuk mendapatkan parameter visual citra buah yang berhubungan dengan mutu, mengkaji hubungan antara parameter mutu buah jeruk pontianak (SNI dan non SNI) hasil pengukuran langsung dengan parameter visual hasil pengolahan citra, menggolongkan buah jeruk pontianak berdasarkan ukuran buah sesuai syarat SNI dan warna kulit buah menggunakan pengolahan citra, mengembangkan algoritma pemutuan baru untuk menggolongkan mutu buah jeruk pontianak berdasarkan parameter visual citra buah, dan membandingkan hasil pemutuan yang baru menggunakan pengolahan citra dengan hasil pemutuan manual yang dilakukan oleh petani. Metode yang digunakan dalam penelitian ini meliputi pengambilan citra buah jeruk, membangun algoritma pengolahan citra untuk menghitung parameter visual citra buah jeruk, pengukuran langsung parameter mutu buah jeruk, menentukan korelasi antara parameter mutu hasil pengolahan citra dan pengukuran langsung, menggolongkan kelas buah jeruk pontianak berdasarkan SNI dan memvalidasinya, menggolongkan buah jeruk pontianak berdasarkan visual warna kulit, membangun algoritma pemutuan baru, dan membandingkan hasil pemutuan baru dengan pemutuan manual. Parameter mutu buah jeruk pontianak yang diukur secara langsung adalah berat, diameter, kekerasan, dan total padatan terlarut (TPT). Parameter visual citra buah yang diukur adalah area,

5 warna (RGB dan HSI), dan fitur tekstur (entropi, energi, kontras, dan homogenitas). Algoritma pemutuan yang baru menggolongkan buah jeruk pontianak ke dalam 12 mutu yang baru berdasarkan ukuran dan warna kulit buah. Diameter jeruk mempunyai pengaruh yang besar terhadap beratnya dengan koefisien determinasi (R 2 ) sebesar Parameter kekerasan tidak mempunyai pengaruh yang besar terhadap TPT. Kekerasan jeruk terbesar adalah kg dan yang terkecil sebesar kg, sedangkan TPT jeruk paling besar 15.0 brix dan yang paling kecil 8.1 brix. Area citra jeruk pontianak mempunyai korelasi yang besar terhadap berat buah jeruk. Korelasi antara area dan berat mempunyai koefisien determinasi (R 2 ) sebesar dengan persamaan korelasi berat = *area Dalam citra berukuran 400 x 300 piksel, area citra buah yang paling besar adalah piksel dengan berat gram, sedangkan area paling kecil piksel dengan berat 36.2 gram. Area citra jeruk juga berkolerasi besar terhadap diameter buah. Korelasi kedua parameter ini mempunyai koefisien determinasi (R 2 ) sebesar dengan persamaan korelasi diameter = 0.001*area Area citra buah yang paling besar adalah piksel dengan diameter rata-rata 80.4 mm, sedangkan area paling kecil piksel dengan diameter rata-rata 40.4 mm. Indeks warna merah, hijau, dan biru serta kompenen warna HSI ternyata tidak mempunyai korelasi yang nyata terhadap kekerasan dan total padatan terlarut. Demikian juga dengan korelasi antara fitur tekstur terhadap kekerasan dan total padatan terlarut. Hal ini ditandai dengan kecilnya nilai koefisien determinasi dari parameter-parameter tersebut. Penggolongan kelas jeruk pontianak menurut kriteria SNI dari hasil pemutuan manual menghasilkan tingkat keberhasilan rata-rata sebesar 41.3%, sedangkan penggolongan kelas jeruk pontianak menurut kriteria SNI menggunakan pengolahan citra berdasarkan beratnya menghasilkan tingkat keberhasilan rata-rata sebesar 95.1%. Parameter pengolahan citra yang digunakan untuk penggolongan kelas jeruk adalah area citra. Dengan penggolongan ini, buah jeruk dapat digolongkan ke dalam empat kelas berdasarkan ukuran sesuai kriteria SNI, yaitu A, B, C, dan D. Penggolongan buah jeruk pontianak berdasarkan warna kulitnya menggunakan parameter indeks warna merah menghasilkan tingkat keberhasilan rata-rata sebesar 94%. Buah jeruk pontianak dapat digolongkan ke dalam tiga kategori berdasarkan warna kulitnya, yaitu kuning, hijau kekuningan, dan hijau. Algoritma pemutuan yang diusulkan menggunakan pengolahan citra dengan parameter area dan indeks warna merah dapat menggolongkan buah jeruk pontianak berdasarkan ukuran sesuai SNI dan warna kulit buah dengan 12 tingkat mutu, yaitu A1, A2, A3, B1, B2. B3, C1, C2, C3, D1, D2, dan D3. Pemutuan jeruk pontianak yang diusulkan menggunakan pengolahan citra menghasilkan pemutuan yang lebih baik daripada pemutuan manual yang dilakukan oleh petani karena lebih seragam dari segi ukuran dan warna kulit buah, serta ukuran buah sesuai dengan ukuran kriteria SNI. Kata kunci: sortasi, non-destructive evaluation, visual, mutu, SNI. iv

6 v PEMUTUAN BUAH JERUK SIAM PONTIANAK (Citrus nobilis var. microcarpa) DENGAN TEKNIK PENGOLAHAN CITRA SUSANTO BUDI SULISTYO Tesis sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Departemen Teknik Pertanian SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008

7 vi Judul Tesis : Pemutuan Buah Jeruk Siam Pontianak (Citrus nobilis var. microcarpa) dengan Teknik Pengolahan Citra Nama : Susanto Budi Sulistyo NIM : F Disetujui Komisi Pembimbing Dr. Ir. Usman Ahmad, M.Agr. Ketua Dr. Ir. I Dewa Made Subrata, M.Agr. Anggota Diketahui Ketua Program Studi Ilmu Keteknikan Pertanian Dekan Sekolah Pascasarjana Prof. Dr. Ir. Armansyah H. Tambunan, M.Agr. Prof. Dr. Ir. Khairil A. Notodiputro, MS. Tanggal Ujian: 21 Juli 2008 Tanggal Lulus :

8 Penguji Luar Komisi pada Ujian Tesis : Dr. Ir. Suroso, M.Agr. vii

9 viii HALAMAN PERSEMBAHAN Katakanlah: Sekiranya lautan menjadi tinta untuk (menulis) kalimat-kalimat Tuhanku, sungguh habislah lautan itu sebelum habis (ditulis) kalimat-kalimat Tuhanku, meskipun Kami datangkan tambahan sebanyak itu (pula). (QS. Al Kahfi: 109) Kupersembahkan karya kecil ini untuk Ayah M. Prijanto dan Ibu Sudartini Istri tercinta Pepita Haryanti Ananda tersayang Naifa Farah Zaida

10 ix PRAKATA Puji syukur penulis panjatkan kepada Allah SWT atas segala karunia-nya sehingga penulisan tesis ini dapat diselesaikan. Tema yang dipilih dalam tesis ini adalah pengolahan citra (image processing) dengan judul Pemutuan Buah Jeruk Siam Pontianak (Citrus nobilis var. microcarpa) dengan Teknik Pengolahan Citra. Pada kesempatan ini penulis mengucapkan terima kasih kepada: 1. Dr. Ir. Usman Ahmad, M.Agr. dan Dr. Ir. I Dewa Made Subrata, M.Agr. selaku ketua dan anggota komisi pembimbing yang telah membimbing dan mengarahkan penulis dalam penelitian sampai pada penulisan tesis ini. 2. Dr. Ir. Suroso, M.Agr. yang telah banyak memberi saran dan masukan untuk lebih menyempurnakan penulisan tesis ini. 3. Bapak Sulyaden yang telah membantu selama pengumpulan data-data. 4. Segenap staf pengajar dan administrasi Program Studi Teknik Pertanian, Fateta IPB. 5. Istri tercinta Pepita Haryanti dan ananda tersayang Naifa Farah Zaida yang telah menjadi penyemangat dalam menyelesaikan studi. 6. Orang tua dan seluruh keluarga atas doanya selama ini. 7. Rekan-rekan S2 TEP IPB angkatan 2006 atas kerjasama dan kekompakkannya selama ini. 8. Direktorat Jenderal Pendidikan Tinggi Depdiknas atas bantuan beasiswa BPPS. 9. Semua pihak yang telah banyak membantu hingga terselesaikannya penulisan tesis ini. Semoga tesis ini dapat bermanfaat untuk turut menyumbang khasanah dunia ilmu pengetahuan dan berguna bagi siapa saja yang membacanya. Bogor, Agustus 2008 Susanto Budi Sulistyo

11 x RIWAYAT HIDUP Penulis dilahirkan di Tegal pada tanggal 25 Mei 1981 sebagai anak keempat dari pasangan M. Prijanto dan Sudartini. Pendidikan sarjana ditempuh di Program Studi Teknik Pertanian, Fakultas Teknologi Pertanian, Institut Pertanian Bogor pada tahun 1999 dan lulus tahun Pada tahun 2006, penulis melanjutkan studi S2 di Program Pascasarjana IPB, Program Studi Ilmu Keteknikan Pertanian atas biaya beasiswa dari BPPS Direktorat Jenderal Pendidikan Tinggi, Departemen Pendidikan Nasional. Penulis bekerja sebagai staf pengajar di Fakultas Pertanian, Jurusan Teknologi Pertanian, Program Studi Teknik Pertanian, Universitas Jenderal Soedirman, Purwokerto sejak tahun 2004.

12 xi DAFTAR ISI Halaman DAFTAR TABEL... xiii DAFTAR GAMBAR... xiv DAFTAR LAMPIRAN... xvi I. PENDAHULUAN... 1 A. Latar Belakang... 1 B. Tujuan... 4 II. TINJAUAN PUSTAKA... 5 A. Jeruk Siam... 5 B. Pengolahan Citra Digital Citra Digital Fitur Tekstur C. Aplikasi Pengolahan Citra Digital dalam Bidang Pertanian III. METODOLOGI PENELITIAN A. Waktu dan Tempat B. Alat dan Bahan C. Metode Penelitian Persiapan Penelitian Pengambilan Citra Buah Jeruk Algoritma Pengolahan Citra Pengukuran Langsung Parameter Mutu Buah Jeruk Hasil Pemutuan Secara Manual Korelasi Parameter Mutu Hasil Pengolahan Citra dan Pengukuran Langsung Penggolongan Kelas Buah Jeruk Pontianak Menurut SNI Hasil Pengukuran Langsung dan Pengolahan Citra Penggolongan Buah Jeruk Pontianak Berdasarkan Visual Warna Kulit Membangun Algoritma Pemutuan Menggunakan Pengolahan Citra Membandingkan Hasil Pemutuan Menggunakan Pengolahan Citra dengan Pemutuan Manual IV. HASIL DAN PEMBAHASAN A. Pengukuran Parameter Mutu Jeruk Pontianak Secara Langsung Dari Hasil Pemutuan Manual B. Program Pengolahan Citra untuk Menghitung Parameter Visual Citra Jeruk Pontianak C. Korelasi Parameter Mutu Hasil Pengukuran Langsung dengan Parameter Visual Hasil Pengolahan Citra D. Penggolongan Kelas Jeruk Pontianak Menurut SNI Berdasarkan Hasil Pengukuran Langsung E. Penggolongan Kelas Jeruk Pontianak Menurut SNI Menggunakan Pengolahan Citra... 39

13 F. Penggolongan Warna Kulit Buah Jeruk Pontianak Menggunakan Pengolahan Citra G. Algoritma Pemutuan Buah Jeruk Pontianak Menggunakan Pengolahan Citra Berdasarkan Area dan Warna H. Perbandingan Pemutuan Jeruk Pontianak Menggunakan Pengolahan Citra dengan Pemutuan Manual V. SIMPULAN DAN SARAN A. SIMPULAN B. SARAN DAFTAR PUSTAKA xii

14 xiii DAFTAR TABEL Halaman 1 Kandungan gizi jeruk per 100 gram berat buah Perkembangan luas panen, produksi, dan produktivitas jeruk di Indonesia ( ) Kriteria kelas jeruk keprok, termasuk jeruk siam (SNI ) Syarat mutu jeruk keprok, termasuk jeruk siam (SNI ) Korelasi parameter mutu yang diamati Kelas mutu dan kriteria dari algoritma pemutuan menggunakan pengolahan citra Nilai rata-rata, nilai maksimum dan minimum berat buah jeruk pontianak hasil pengukuran langsung dari pemutuan manual Nilai rata-rata, nilai maksimum dan minimum diameter buah jeruk pontianak hasil pengukuran langsung dari pemutuan manual Nilai rata-rata, nilai maksimum dan minimum kekerasan buah jeruk pontianak hasil pengukuran langsung dari pemutuan manual Nilai rata-rata, nilai maksimum dan minimum TPT buah jeruk pontianak hasil pengukuran langsung dari pemutuan manual Penggolongan kelas hasil pengukuran langsung berdasarkan berat buah menurut SNI Penggolongan kelas menurut SNI dan hasil pemutuan manual Kriteria kelas jeruk pontianak (SNI ) berdasarkan berat dan hasil konversinya ke area citra Penggolongan kelas menggunakan pengolahan citra dengan hasil pengukuran langsung berdasarkan berat buah Tingkat keberhasilan penggolongan kelas jeruk pontianak berdasarkan visual warna kulitnya menggunakan pengolahan citra Nilai batas indeks warna merah (r) untuk penggolongan buah jeruk berdasarkan visual kulitnya Kriteria area citra dan indeks warna merah untuk pemutuan jeruk pontianak... 45

15 xiv DAFTAR GAMBAR Halaman 1 Bunga jeruk siam Jeruk siam masih muda Jeruk siam matang Bagan alir pengolahan citra Matriks citra yang tersimpan dalam memori komputer Contoh jeruk pontianak tiap kelas hasil pemutuan manual yang digunakan dalam penelitian Pengambilan citra jeruk Pengukuran berat jeruk Pengukuran diameter jeruk Pengukuran kekerasan buah jeruk Pengukuran TPT buah jeruk Diagram alir penelitian Hubungan diameter dan berat buah jeruk pontianak Hubungan kekerasan dan TPT buah jeruk pontianak Tampilan awal program pengolahan citra Tampilan program setelah memilih file untuk dianalisis Tampilan program setelah thresholding dan operasi morfologi Tampilan program setelah dilakukan analisis Tampilan database hasil analisis program pengolahan citra Korelasi area citra dan berat buah jeruk Korelasi area citra dan diameter rata-rata buah jeruk Korelasi indeks warna rgb dan komponen warna HSI terhadap kekerasan buah jeruk Korelasi indeks warna rgb dan komponen warna HSI terhadap total padatan terlarut buah jeruk Korelasi fitur tekstur terhadap kekerasan dan total padatan terlarut buah jeruk... 37

16 xv 25 Penggolongan kelas buah jeruk pontianak hasil pemutuan manual dan perbandingannya dengan kelas menurut kriteria SNI Penggolongan kelas buah jeruk pontianak hasil pengolahan citra dan perbandingannya dengan kelas menurut kriteria SNI Contoh jeruk dengan kategori warna kulit hijau Contoh jeruk dengan kategori warna kulit hijau kekuningan Contoh jeruk dengan kategori warna kulit kuning Penggolongan buah jeruk berdasarkan kulit buah menggunakan parameter indeks warna merah Diagram alir algoritma pemutuan dengan pengolahan citra untuk jeruk pontianak Hasil pemutuan manual jeruk pontianak oleh petani untuk kategori kelas E Hasil pemutuan jeruk pontianak menggunakan pengolahan citra untuk mutu C Hasil pemutuan jeruk pontianak menggunakan pengolahan citra untuk mutu C Hasil pemutuan jeruk pontianak menggunakan pengolahan citra untuk untuk mutu C Hasil pemutuan jeruk pontianak menggunakan pengolahan citra untuk untuk mutu D Hasil pemutuan jeruk pontianak menggunakan pengolahan citra untuk mutu D Hasil pemutuan jeruk pontianak menggunakan pengolahan citra untuk mutu D

17 xvi DAFTAR LAMPIRAN Halaman 1 Cara pengujian untuk menentukan mutu buah jeruk menurut SNI (SNI ) Hasil pengukuran berat jeruk pontianak secara langsung Hasil pengukuran diameter rata-rata jeruk pontianak secara langsung Hasil pengukuran parameter visual jeruk pontianak menggunakan pengolahan citra Kode program pengolahan citra... 84

18 1 I. PENDAHULUAN A. Latar Belakang Buah jeruk merupakan komoditi buah yang paling populer di dunia, setelah anggur. Jeruk memiliki kandungan nutrisi yang baik bagi kesehatan, terutama kandungan vitamin C-nya. Secara umum, kandungan gizi buah jeruk dapat dilihat pada Tabel 1 (Natawidjaja, 1983). Tabel 1 Kandungan gizi jeruk per 100 gram berat buah Kandungan gizi Nilai satuan Energi 44 kalori Protein 0.8 g Lemak 0.3 g Karbohidrat 10.9 g Kalsium 0.33 g Fosfor 0.25 g Besi g Vitamin A 420 IU Vitamin B g Vitamin C 0.31 g Dalam periode tahun , luas panen dan produksi buah jeruk di Indonesia mengalami peningkatan cukup pesat (Tabel 2). Pada tahun 2004, luas panen jeruk telah mencapai ha dengan total produksi sebesar ton, sekaligus menempatkan Indonesia sebagai negara penghasil utama jeruk dunia ke- 13 setelah Vietnam (Balitbang Pertanian, 2005). Jeruk memiliki banyak spesies, diantaranya adalah jeruk keprok (termasuk jeruk siam), jeruk manis, jeruk besar, jeruk nipis, jeruk purut, dan jeruk ponsil (Sunarjono, 2005). Jeruk siam menduduki posisi yang penting dalam dunia jeruk. Bahkan diperkirakan sekitar 60% kebutuhan akan buah jeruk dipenuhi oleh jeruk siam (Anonim, 1999). Jeruk siam memiliki kelebihan antara lain rasa manis, harum dan mengandung banyak air. Jeruk siam (Citrus nobilis) banyak dibudidayakan di Indonesia. Beberapa daerah sentra penanaman jeruk siam adalah di Sumatera Selatan (Indralaya), Jawa Tengah (Pati, Cilacap, Purworejo,

19 Kutoharjo), Jawa Timur (Mojokerto), dan Kalimantan Barat (Sambas dan Pontianak) (Anonim, 1999). 2 Tabel 2 Perkembangan luas panen, produksi, dan produktivitas jeruk di Indonesia ( ) Tahun Luas panen (ha) Produksi (ton) Produktivitas (ton/ha) Perkembangan (%/th) Sumber: Balai Penelitian dan Pengembangan Pertanian, Deptan, Jeruk siam pontianak atau biasa disebut dengan istilah jeruk pontianak (Citrus nobilis var. microcarpa), mempunyai ciri fisik kulitnya tipis dan licin mengkilat. Sebenarnya jeruk ini bukanlah hasil produksi pertanian Kota Pontianak. Sentra tanaman jeruk justru berasal dari Kecamatan Tebas, Kabupaten Sambas. Namun sejak lama jeruk ini telah dikenal dengan merek dagang "Jeruk Pontianak" (Wikipedia, 2007). Pada awal tahun , luas areal tanaman jeruk di Kalimantan Barat adalah 1000 hektar, kemudian tahun 1978 luas pertanaman jeruk berkembang pesat menjadi hektar, dan peningkatan itu terus berlanjut hingga tahun 1988 mencapai hektar. Dari luas pertanaman tersebut sekitar hektar (87.18%) berada di Kabupaten Sambas, dan sisanya hektar tersebar di Kabupaten Pontianak, Sanggau, dan Ketapang (Martasari, 2007). Puncak kejayaan jeruk siam pontianak terjadi pada tahun 1992 dengan luas pertanaman sekitar hektar dengan tanaman produktif sekitar hektar. Tahun berikutnya yaitu 1993 total tanaman produktif mencapai ha. Pada tahun 2003, luas panen jeruk siam (siam pontianak) di Kabupaten Sambas mencapai ha dengan produksi ton (Azri, 2004; Martasari, 2007).

20 3 Menurut situs resmi Provinsi Kalimantan Barat (2007), luas potensi areal pengembangan jeruk pontianak saat ini antara ha di Kab. Sambas. Berdasarkan rencana pengembangan produk unggulan daerah Kabupaten Sambas, masih tersedia pengembangan komoditas jeruk seluas 7844 ha dan masih memungkinkan untuk diperluas, karena ketersediaan area pertanian lahan kering di Kalbar mencapai seluas ha. Keunggulan jenis jeruk siam ini antara lain dalam hal popularitasnya yang sudah cukup terkenal baik dalam maupun luar negeri (khususnya ASEAN). Selain itu masa produktifitasnya juga cukup lama (15-20 tahun) dengan benefit cost ratio (BCR) sebesar BCR jeruk siam ini merupakan yang tertinggi dibanding komoditas pertanian lainnya di Kalimantan Barat. Selain itu harga di pasaran relatif stabil dan cenderung terus meningkat. Dalam proses pengolahan dan pemasaran buah segar, sortasi dan grading sebagai usaha evaluasi mutu agar memenuhi standar merupakan kegiatan yang penting dan mutlak diperlukan. Parameter penting yang terkait dengan usaha evaluasi dan pengkelasan mutu buah adalah berdasarkan sifat fisik dan kimia buah, seperti ukuran, warna, tekstur, kekerasan dan keasaman (Kader, et al., 1985 dalam Rahmadianto, 2001). Selama ini proses sortasi buah jeruk siam pontianak masih dilakukan secara manual dengan visual mata manusia. Sortasi manual secara visual yang biasa dilakukan oleh petani buah jeruk menghasilkan pemutuan buah yang kurang seragam karena masih bercampur antara buah kualitas baik dengan buah kualitas jelek. Hal ini disebabkan oleh kelelahan manusia, keragaman visual manusia, dan perbedaan persepsi mutu buah itu sendiri. Oleh karena itu, diperlukan suatu sistem visual dengan memakai sensor elektro-optika berbasis pada aplikasi komputer sehingga diperoleh hasil sortasi yang seragam karena berdasarkan penilaian yang obyektif dan konsisten. Penggunaan sistem visual dengan sensor elektro-optika ini didasarkan pada kemampuan yang lebih peka dan tepat daripada kemampuan visual manusia dalam menangkap pantulan gelombang elektromagnetik buah yang berubah-ubah akibat perbedaan karakteristik fisiko kimia buah. Perkembangan metode pengolahan citra telah banyak digunakan di dalam bidang pertanian, khususnya sortasi buah dan hasil pertanian lainnya. Beberapa

21 4 penelitian yang pernah dilakukan menggunakan pengolahan citra diantaranya adalah untuk evaluasi mutu jeruk nipis (Arham, et al., 2004), penentuan jenis cacat biji kopi (Sofi i, et al., 2005), pemutuan buah mangga (Ahmad, et al., 2004), identifikasi tingkat ketuaan dan kematangan jeruk lemon (Damiri, et al., 2004), identifikasi mutu tingkat ketuaan dan kematangan buah manggis (Nurhasanah, 2005), serta pemutuan dan identifikasi kematangan buah pepaya (Safrizal, 2005). Dengan menggunakan teknik pengolahan citra, penilaian terhadap mutu suatu produk dapat dilakukan secara obyektif dan konsisten sehingga diharapkan dapat menghasilkan pemutuan yang seragam dengan tingkat kesalahan yang dapat diterima. B. Tujuan Tujuan dari penelitian ini adalah untuk: 1. Melakukan analisis pengolahan citra buah jeruk pontianak untuk mendapatkan parameter visual citra buah yang berhubungan dengan mutu. 2. Mengkaji hubungan antara parameter mutu buah jeruk pontianak (SNI dan non SNI) hasil pengukuran langsung dengan parameter visual hasil pengolahan citra. 3. Menggolongkan buah jeruk pontianak berdasarkan ukuran buah sesuai syarat SNI dan warna kulit buah menggunakan pengolahan citra. 4. Mengembangkan algoritma pemutuan untuk menggolongkan mutu buah jeruk pontianak berdasarkan parameter visual citra buah. 5. Membandingkan hasil pemutuan menggunakan pengolahan citra dengan hasil pemutuan manual yang dilakukan oleh petani.

22 5 II. TINJAUAN PUSTAKA A. Jeruk Siam Jeruk siam hanya merupakan bagian kecil dari sekian banyak spesies dan varietas jeruk yang sudah dikenal dan dibudidayakan. Secara sistematis, tanaman jeruk siam dapat diklasifikasikan sebagai berikut (Wikipedia, 2007): Kerajaan : Plantae Divisio : Magnoliophyta Kelas : Magnoliopsida Subkelas : Rosidae Ordo : Sapindales Familia : Rutaceae Genus : Citrus Spesies : Citrus nobilis var. microcarpa Jeruk siam merupakan anggota jeruk keprok. Dinamakan jeruk siam karena memang berasal dari Siam (Muangthai). Jeruk siam memiliki ciri khas yang tidak dimiliki jeruk keprok lainnya. Sekilas memang tidak jauh berbeda, jeruk siam memiliki kulit yang lebih tipis dan licin mengkilap. Selain itu, kulit jeruk siam menempel lebih lekat dengan dagingnya, sedangkan pada jeruk keprok lainnya terdapat ruang pemisah yang lebih jelas. Menurut Sarwono (1994), tanaman jeruk siam paling luas penyebarannya di Indonesia, karena tanaman ini bisa diusahakan di daerah dataran rendah sampai dengan daerah berketinggian 700 meter dpl. Tanaman ini dapat berbuah di daerahdaerah basah, setelah periode kering yang singkat. Tanaman jeruk siam biasanya berbunga pada bulan Oktober-November dan musim berbuahnya pada bulan Juni- Agustus, dengan produksi hingga mencapai buah tiap tahun. Umumnya batang pohon jeruk siam yang dibudidayakan secara komersial mempunyai tinggi antara meter. Pohon tersebut biasanya berasal dari cangkokan atau okulasi (Anonim, 1999). Daun jeruk siam berbentuk oval. Ukurannya sekitar 7.5 cm x 3.9 cm dan memiliki sayap yang berukuran sekitar 0.8 cm x 0.2 cm. Ujung daunnya agak terbelah, sedangkan bagian pangkalnya meruncing. Urat daunnya menyebar

23 6 sekitar 0.1 cm dari tepi daun. Antara batang dengan daun dihubungkan oleh tangkai daun dengan panjang sekitar 1.3 cm (Anonim, 1999). Daun jeruk siam beraroma spesifik karena mengandung minyak atsiri (Sunarjono, 2005). Menurut Sunarjono (2005), bunga tanaman jeruk siam (Gambar 1) keluar setelah terbentuk trubus (tunas muda) pada ujung-ujung cabang secara tunggal. Warna mahkota bunga putih, pada ujungnya bercanggap seperti bintang, dan termasuk bunga sempurna (dalam satu bunga terdapat putik dan benang sari). Buah jeruk siam mempunyai ciri khas, yaitu kulit buah tipis (sekitar 2 mm), permukaannya halus, licin, mengkilap, dan menempel lekat pada daging buahnya. Dasar buahnya berleher pendek dengan puncak berlekuk. Tangkai buahnya pendek dengan panjang sekitar 3 cm dan berdiameter 2.6 mm. Biji buahnya berbentuk ovoid, warnanya putih kekuningan dengan ukuran sekitar 0.9 cm x 0.6 cm, dan jumlah biji per buahnya sekitar 20 biji. Daging buahnya lunak dengan rasa manis dan harum. Berat buah sekitar 75.6 gram (Anonim, 1999). Gambar 1 Bunga jeruk siam. Gambar 2 Jeruk siam masih muda. Gambar 3 Jeruk siam matang.

24 7 Jeruk siam dapat dipanen pada umur 6-8 bulan setelah bunganya mekar. Ciri-ciri buah jeruk siam yang siap dipanen (Gambar 3) adalah sebagai berikut (Anonim, 1999): 1) Kulit buah kekuning-kuningan (oranye). 2) Buahnya tidak terlampau keras jika dipegang. 3) Bagian bawah buah agak empuk dan bila dijentik dengan jari tidak berbunyi nyaring. Buah yang telah siap panen, dipetik dan dikumpulkan untuk selanjutnya dilakukan sortasi dan grading. Di Pontianak, grading dilakukan berdasarkan diameter buah. Dalam prakteknya, grading dilakukan dengan tangan, antara jari tengah dan ibu jari. Grading untuk buah jeruk siam didasarkan atas kelas-kelas sebagai berikut (Anonim, 1999): - Kelas A : diameter buah rata-rata 7.6 cm, sekitar 6 buah per kg. - Kelas AB : diameter buah rata-rata 6.7 cm, sekitar 8 buah per kg. - Kelas C : diameter buah rata-rata 5.9 cm, sekitar 10 buah per kg. - Kelas D : diameter buah rata-rata 5.8 cm, sekitar buah per kg. Standar Nasional Indonesia (SNI) menggolongkan buah jeruk ke dalam empat kelas berdasarkan berat atau diameter buah, yaitu kelas A, B, C, dan D. Masing-masing kelas digolongkan ke dalam dua jenis mutu, yaitu mutu I dan mutu II. Kriteria kelas dan syarat mutu buah jeruk dapat dilihat pada Tabel 3 dan 4 di bawah ini, sedangkan cara pengujian untuk menentukan mutu buah jeruk menurut SNI dapat dilihat pada Lampiran 1. Tabel 3 Kriteria kelas jeruk keprok, termasuk jeruk siam (SNI ) Kelas Berat (gram/buah) Diameter (mm) A B C D

25 8 Tabel 4 Syarat mutu jeruk keprok, termasuk jeruk siam (SNI ) Karakteristik Syarat Mutu I Mutu II Cara Pengujian Kesamaan sifat varietas Seragam Seragam Organoleptik Tingkat ketuaan Tua, tapi tidak Tua, tapi tidak Organoleptik terlalu matang terlalu matang Kekerasan Keras Cukup Keras Organoleptik Ukuran Seragam Kurang seragam SP-SMP Kerusakan maks. (jml/jml) 5 10 SP-SMP (%) Kotoran Bebas Bebas Organoleptik Busuk maks. (jml/jml) (%) 1 2 SP-SMP B. Pengolahan Citra Digital Pengolahan citra digital (digital image processing) merupakan sebuah teknologi visual yang digunakan untuk mengamati dan menganalisis suatu objek tanpa berhubungan langsung dengan objek tersebut. Teknologi ini dapat dimanfaatkan untuk evaluasi mutu suatu produk tanpa merusak produk itu sendiri atau dikenal dengan istilah non-destructive evaluation (NDE). Proses pengolahan citra dan analisisnya banyak melibatkan persepsi visual. Data masukan dan keluaran yang dihasilkan oleh proses ini adalah dalam bentuk citra. Citra yang digunakan adalah citra digital, karena citra jenis ini dapat diproses oleh komputer digital. Citra digital diperoleh secara otomatis dari sistem penangkapan citra digital dan membentuk suatu matriks yang menyatakan intensitas cahaya pada suatu himpunan diskrit dari suatu titik. Pengembangan algoritma pengolahan citra sangat dipengaruhi oleh perangkat keras dan perangkat lunak yang digunakan. Ada beberapa perangkat keras yang digunakan untuk proses digitasi citra (image digitizing). Perangkat keras yang pertama adalah sensor citra (image sensor). Menurut Ahmad (2005), sensor citra digunakan untuk menangkap pantulan cahaya obyek yang kemudian akan disimpan dalam bentuk nilai intensitas di dalam memori komputer. Sensor citra banyak macamnya. Namun jenis sensor citra yang banyak digunakan adalah solid-state image sensor karena mempunyai banyak kelebihan seperti konsumsi daya listrik yang kecil, ukurannya kecil dan kompak, serta tahan guncangan. Lebih lanjut menurut Ahmad (2005), sebuah kamera TV umumnya terdiri atas satu atau lebih sensor citra, sebuah lensa, dan rangkaian komponen lain,

26 9 seperti pembangkit scanning, penguat (amplifier) dan rangkaian pemroses sinyal. Sinyal yang dihasilkan oleh kamera TV adalah berupa sinyal analog sehingga perlu dikonversi menjadi sinyal digital dengan menggunakan analog-digital converter (ADC). Selanjutnya sinyal digital keluaran ADC ditransmisikan ke memori komputer untuk membentuk citra digital. Bagan alir pengolahan citra dapat dilihat pada Gambar 4. Sensor A/D Converter Bingkai memori Komputer digital Masukan citra Algoritma pengolahan citra Monitor peraga Gambar 4 Bagan alir pengolahan citra. 1. Citra Digital Citra (gambar) digital merupakan citra yang dapat dibaca dan diekspresikan secara akurat oleh komputer digital. Menurut Ahmad (2005), sebuah citra digital tersusun dari kumpulan piksel-piksel dalam larik dua dimensi. Sebuah piksel (pixel atau picture element) merupakan bagian terkecil dari suatu citra. Setiap piksel diwakili oleh dua buah bilangan bulat (integer) yang menunjukkan lokasi piksel tersebut dalam suatu citra, dan sebuah bilangan bulat untuk menunjukkan intensitas cahaya dari piksel tersebut. Jika ada sebuah citra dengan ukuran mxn piksel, maka dalam memori komputer, citra tersebut akan tersimpan dalam bentuk array (m-1, n-1) seperti terlihat pada Gambar 5.

27 10 f(0,0) f(0,1)... f(0,n 1) f(1,0) f(1,1)... f(1,n 1)... f(x Y) = f(m 1,0) f(m 1,1)... f(m 1,n 1) Gambar 5 Matriks citra yang tersimpan dalam memori komputer. Berdasarkan intensitas cahaya yang dimiliki oleh piksel dalam sebuah citra, citra digital dibagi menjadi tiga macam, yaitu citra biner, citra abu-abu, dan citra warna. a. Citra Biner Citra biner merupakan citra yag dihasilkan dari proses binerisasi. Setiap piksel dalam suatu citra biner 8-bit hanya memiliki dua intensitas warna yaitu 0 (hitam) atau 255 (putih). Citra biner digunakan untuk memisahkan antara obyek dengan latar belakangnya. Dalam citra biner, piksel dengan intensitas warna 0 dikelompokkan ke dalam latar belakang, sedangkan piksel dengan intensitas warna 255 adalah piksel obyek (Ahmad, 2005). b. Citra Abu-abu (Citra Grayscale) Sebelum dikuantisasi dan diubah menjadi citra digital, citra mengandung nilai intensitas yang kontinyu. Informasi intensitas dalam suatu citra digital dapat disimpan dalam bentuk gray values atau nilai abu-abu (Nurhasanah, 2005). Apabila citra disimpan dalam memori 8-bit, maka setiap piksel dalam citra tersebut akan mengandung nilai intensitas antara Pada komputer, piksel dengan nilai intensitas 0 berwarna hitam, intensitas 255 berarti warna putih, sedangkan nilai antara adalah warna abu-abu (gabungan warna hitam dan putih).

28 11 c. Citra Warna Ahmad (2005) menyatakan bahwa warna ternyata tidak lebih dari sekedar respon psycho-physiological dari manusia untuk intensitas penyinaran yang berbeda. Energi dari cahaya tampak dengan panjang gelombang tertentu ditangkap oleh mata dan diterjemahkan oleh otak sebagai warna. Model pengolahan warna telah banyak dikembangkan oleh para ahli, salah satunya adalah model warna RGB. Model warna RGB menggunakan dasar tiga buah warna pokok yaitu Red (merah), Green (hijau), dan Blue (biru). Suatu citra warna yang disimpan dalam memori 8-bit, setiap pikselnya akan mengandung informasi intensitas tiga buah warna tersebut (R, G, dan B) dengan selang nilai Dalam model warna RGB, intensitas warna setiap piksel pada suatu citra dapat diubah dalam bentuk indeks warna, yaitu indeks warna merah (r), indeks warna hijau (g), dan indeks warna biru (b). Proses ini dinamakan normalisasi, dengan cara perhitungan seperti pada persamaan 1-3 (Ahmad, 2005). R r = R+ G+ B...(1) G g = R+ G+ B...(2) B b = R+ G+ B...(3) dimana: R, G, B = nilai intensitas warna merah, hijau, dan biru r, g, b = indeks warna merah, hijau, dan biru Model pengolahan warna yang lain adalah model warna HSI. Model warna ini menggunakan dasar nilai Hue (corak), Saturation (kejenuhan), dan Intensity (kecerahan). Model ini dianggap sebagai cara sebenarnya manusia memandang suatu warna, yang biasanya melakukan penilaian warna secara kualitatif (Ahmad, 2005). Konversi model warna RGB ke dalam model warna HSI dirumuskan dengan persamaan-persamaan berikut (Ahmad, 2005):

29 12 cos H 2R G B =...(4) 2 2 ( R G) + ( R B)( G B) 3 S = 1 min( R, G, B)...(5) R+ G+ B) I R+ G+ B =...(6) 3 2. Fitur Tekstur Dalam pengolahan citra, tekstur sangat penting peranannya dalam mengidentifikasi karakteristik suatu obyek, seperti pemeriksaan permukaan, pengelompokkan pemandangan, orientasi permukaan, dan penentuan bentuk obyek. Menurut Haralick, et al. (1973) dalam Nurhasanah (2005), untuk menentukan tekstur diperlukan beberapa fitur (14 fitur). Namun dengan hanya melakukan empat buah fitur, bentuk tekstur dari suatu obyek sudah dapat ditentukan. Keempat fitur tersebut adalah fitur entropi, energi, kontras, dan homogenitas. Menurut Ahmad (2005), entropi adalah fitur untuk mengukur keteracakan dari distribusi intensitas, sedangkan energi adalah fitur untuk mengukur konsentrasi pasangan intensitas pada matriks co-occurrence. Kontras digunakan untuk mengukur kekuatan perbedaan intensitas dalam citra, sedangkan homogenitas digunakan untuk mengukur kehomogenan variasi intensitas dalam citra. Persamaan untuk menentukan keempat fitur tekstur tersebut adalah sebagai berikut (Ahmad, 2005): Entropi= p i, i ) log p ( i, i )...(7) i1 i2 = i1 i2 ( Energi p i, i )...(8) ( 1 2 = i 2 Kontras i ) p ( i, i )...(9) i1 i2 ( p ( i1, i2 ) Homogenita s=...(10) 1+ i i1 i2 1 i2

30 13 C. Aplikasi Pengolahan Citra Digital dalam Bidang Pertanian Teknik pengolahan citra telah banyak digunakan dalam bidang pertanian, baik pra panen maupun pasca panen. Dalam bidang pasca panen, pengolahan citra digunakan untuk evaluasi mutu suatu produk pertanian secara non destruktif. Arham, et al. (2004) menggunakan teknik pengolahan citra dan jaringan syaraf tiruan untuk evaluasi mutu jeruk nipis. Hasil penelitiannya menunjukkan bahwa indeks warna merah, hijau, dan biru dapat digunakan untuk membedakan umur petik jeruk nipis. Selain indeks warna tersebut, fitur kontras dan homogenitas juga dapat membedakan umur petik jeruk nipis. Sofi i, et al. (2005) melakukan penelitian untuk menentukan jenis cacat biji kopi dengan pengolahan citra dan artificial neural network (ANN). Dari analisisnya, diperoleh hasil diantaranya adalah telah dibangun 2 model ANN untuk menduga jenis cacat biji kopi dengan menggunakan parameter luas, panjang, roundness, compactness, indeks merah, indeks hijau, indeks biru, corak, saturasi, dan intensitas. Ahmad, et al. (2004) menggunakan teknik pengolahan citra untuk melakukan pemutuan buah mangga. Beberapa hasil penelitian tersebut adalah parameter yang sesuai untuk pemutuan buah mangga Arumanis yaitu area dan fitur kontras, sedangkan untuk mangga Gedong dapat dilakukan dengan menggunakan parameter indeks warna merah. Damiri, et al. (2004) mengidentifikasi tingkat ketuaan dan kematangan jeruk lemon dengan teknik pengolahan citra dan jaringan syaraf tiruan. Dari hasil analisisnya diperoleh hasil bahwa indeks warna merah, indeks warna hijau, corak (hue), dan fitur energi dapat digunakan untuk membedakan kematangan jeruk lemon. Selain itu, parameter pengolahan citra area, roundness, indeks warna RGB dan fitur tekstur dapat digunakan untuk menentukan tingkat ketuaan dan kematangan jeruk lemon. Nurhasanah (2005) dalam tesisnya melakukan identifikasi tingkat ketuaan dan kematangan buah manggis dengan pengolahan citra dan jaringan syaraf tiruan. Dari hasil penelitiannya, diperoleh salah satu kesimpulan bahwa indeks warna merah, komponen warna HSI, dan fitur entropi dapat digunakan untuk membedakan tingkat ketuaan dan kematangan manggis.

31 14 Penelitian untuk menentukan pemutuan dan identifikasi kematangan buah pepaya dilakukan oleh Safrizal (2005). Dalam penelitiannya, disimpulkan bahwa panjang buah pepaya mempunyai korelasi yang baik dengan panjang buah dari hasil analisis citra. Selain itu, pemutuan menggunakan hasil analisis citra memberikan tingkat kesalahan yang lebih kecil dibandingkan pemutuan secara manual.

32 15 III. METODOLOGI PENELITIAN A. Waktu dan Tempat Penelitian ini dilaksanakan pada bulan Juli Desember 2007 di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian, Departemen Teknik Pertanian, Fakultas Teknologi Pertanian, IPB. B. Alat dan Bahan Bahan yang digunakan pada penelitian ini adalah buah jeruk siam pontianak dengan lima tingkat kelas berdasarkan diameter buah (A, B, C, D, dan E) yang merupakan hasil pemutuan secara manual oleh pedagang besar jeruk pontianak (Gambar 6). Total jumlah sampel yang digunakan sebanyak 850 buah, yaitu kelas A sebanyak 125 buah, kelas B 125 buah, kelas C, D, dan E masing-masing 200 buah. Buah jeruk berasal dari petani jeruk di Pontianak dan diperoleh melalui pedagang pengumpul besar di Pasar Induk Kramat Jati, Jakarta. Alat-alat yang digunakan pada penelitian ini adalah sebagai berikut: 1. Kamera CCD warna, merk VED, model OC-305D. 2. Image frame grabber, merk PXC200A, resolusi maksimum PAL/SECAM: 768 x 576 piksel. 3. Personal computer (PC) dengan prosesor Intel Pentium IV. 4. Lampu TL 4 5 watt. 5. Timbangan digital, merk METTLER PM Jangka sorong 7. Refraktometer digital, merk ATAGO PR Rheometer, model CR Luxmeter, model DM-28.

33 16 Kelas A Kelas B Kelas C Kelas D Kelas E Gambar 6 Contoh jeruk pontianak tiap kelas hasil pemutuan manual yang digunakan dalam penelitian. C. Metode Penelitian 1. Persiapan Penelitian Ada beberapa hal yang dilakukan terlebih dahulu sebelum penelitian dimulai, yaitu pembersihan kulit buah jeruk, pengaturan cahaya lampu dalam ruang pengambilan citra, dan pemilihan warna kain untuk latar belakang. Buah

34 17 jeruk pontianak yang diperoleh dari pedagang pengumpul di Pasar Induk Kramat Jati, Jakarta dalam keadaan kulit buah kotor dan kusam penuh debu dan kotoran lain. Oleh karena itu, sebelum dilakukan pengambilan citra, buah jeruk pontianak yang dijadikan sampel penelitian dibersihkan kulit buahnya terlebih dahulu dengan menggunakan lap basah. Setelah itu, masing-masing buah jeruk diberi tanda dengan kertas label. Persiapan selanjutnya adalah mengatur intensitas cahaya dan posisi lampu TL dalam ruang pengambilan citra. Intensitas cahaya dan posisi lampu TL diatur sedemikian rupa sehingga ketika jeruk diambil citranya tidak menimbulkan bayangan di sekitar objek buah dan pantulan cahaya dari buah tidak terlalu kuat. Dengan demikian proses pengolahan citra dapat dilakukan dengan baik sebagaimana mestinya. Sebelum dilakukan pengambilan citra, terlebih dahulu dicoba beberapa kain dengan warna berbeda untuk dijadikan latar belakang dari objek buah. Warna kain yang dicoba adalah kain warna hitam, merah, dan putih. Dari ketiga kain tersebut, ternyata kain dengan warna putih menghasilkan hasil thresholding yang lebih baik dari kain warna yang lain. Oleh karena itu dipilih kain warna putih sebagai latar belakang. 2. Pengambilan Citra Buah Jeruk Citra buah jeruk dengan resolusi 400 x 300 piksel diambil dengan menggunakan kamera CCD. Pengambilan citra hanya dilakukan dari satu sisi saja, yaitu pada bagian atasnya, seperti terlihat pada Gambar 7. Pengambilan citra jeruk dilakukan dalam sebuah kotak tertutup (ditutupi kain hitam) sehingga intensitas cahaya di dalam ruang pengambilan citra tidak dipengaruhi oleh cahaya luar. Latar belakang pengambilan citra dipilih warna yang kontras dengan warna buah (yaitu kain putih). Buah jeruk yang diambil citranya diletakkan di atas kain dan diusahakan berada di tengah-tengah kain. Intensitas cahaya yang menerangi obyek diatur dengan menggunakan lampu TL dan diukur intensitasnya dengan menggunakan luxmeter, yaitu sebesar 250 lux. Citra yang tertangkap oleh kamera selanjutnya disimpan dalam memori komputer dalam format BMP untuk diolah lebih lanjut.

35 18 TV camera Image Frame Grabber A/D converter Fram e Memory Lamp Lamp Image processing algorithms Object 3. Algoritma Pengolahan Citra Gambar 7 Pengambilan citra jeruk. Setelah citra jeruk diambil dan disimpan dalam memori komputer, selanjutnya dilakukan pengukuran parameter visual citra jeruk. Program pengolahan citra ini dibuat dengan menggunakan bahasa pemrograman Borland Delphi 7. Parameter-parameter visual yang diukur adalah: a. Pengukuran area Pengukuran area dilakukan dengan terlebih dahulu mengubah citra warna menjadi citra grayscale yang kemudian diubah menjadi citra biner. Proses ini dilakukan melalui proses thresholding dengan nilai threshold tertentu untuk membedakan citra obyek dan latar belakang. Selanjutnya dilakukan perhitungan luas area obyek dengan menghitung jumlah piksel obyek menggunakan persamaan: A= m n i= 1 j= 1 [ j] B i,...(11) dimana: A = area obyek B[i,j] = lokasi piksel obyek pada (i,j)

36 19 b. Pengukuran intensitas warna Intensitas warna diukur dengan menggunakan model warna RGB dan HSI. Intensitas warna merah, hijau, dan biru (R, G, dan B) yang diperoleh dari citra warna yang sudah di-threshold kemudian dinormalisasi dengan persamaan (1) sampai (3) untuk memperoleh nilai index warna merah, index warna hijau, dan index warna biru (r, g, dan b). Komponen warna RGB selanjutnya dikonversi ke dalam bentuk model warna HSI dengan menggunakan persamaan (4) sampai (6). c. Pengukuran tekstur Fitur tekstur yang diukur adalah fitur entropi, energi, kontras, dan homogenitas. Masing-masing fitur dihitung dengan menggunakan persamaan (7) sampai (10) dengan terlebih dahulu mengubah citra warna menjadi citra grayscale dan membuat matriks co-occurence. 4. Pengukuran Langsung Parameter Mutu Buah Jeruk Hasil Pemutuan Secara Manual Pemutuan jeruk pontianak secara manual dilakukan oleh petani dengan melihat dan menduga diameter buah jeruk untuk selanjutnya dikelompokkan ke dalam kelas tertentu, yaitu kelas A, B, C, D, dan E. Sebanyak 850 sampel buah jeruk pontianak hasil pemutuan manual oleh petani ini kemudian dilakukan pengukuran parameter mutu secara langsung di laboratorium. Pengukuran parameter mutu buah jeruk pontianak secara langsung dilakukan secara destruktif. Pengukuran ini meliputi berat (gram), diameter (mm), kekerasan (kg), dan total padatan terlarut ( o brix). a. Pengukuran berat Pengukuran berat buah jeruk dilakukan satu kali menggunakan timbangan digital merk METTLER PM-4800 dengan ketelitian sampai 0.01 gram (Gambar 8). b. Pengukuran diameter Pengukuran diameter buah jeruk menggunakan jangka sorong dengan ketelitian hingga 0.1 mm. Pengukuran ini dilakukan dengan cara mengukur

37 20 panjang sisi terbesar buah jeruk pada arah horisontal sebanyak dua kali (D1 dan D2) dan arah vertikal sebanyak satu kali (T), seperti terlihat pada Gambar 9. Namun dalam penelitian ini, ukuran diameter yang digunakan adalah diameter rata-rata dari D1 dan D2. Gambar 8 Pengukuran berat jeruk. D1 D2 T Gambar 9 Pengukuran diameter jeruk. c. Pengukuran kekerasan Pengukuran kekerasan buah jeruk menggunakan alat Rheometer model CR- 30. Pengukuran ini dilakukan dengan cara menusukkan jarum ke kulit jeruk dengan kecepatan tertentu sampai menembus kulit jeruk sebanyak dua kali pada bagian samping buah jeruk, seperti terlihat pada Gambar 10.

38 21 Jarum Titik pengukuran Gambar 10 Pengukuran kekerasan buah jeruk. d. Pengukuran total padatan terlarut Pengukuran total padatan terlarut dilakukan dengan menggunakan refraktometer digital, yaitu dengan cara memeras cairan daging buah jeruk, kemudian cairan tersebut diteteskan pada refraktometer (Gambar 11). Hasilnya dapat terlihat pada display refraktometer. Pengukuran ini dilakukan sebanyak dua kali.

39 22 Gambar 11 Pengukuran TPT buah jeruk. 5. Korelasi Parameter Mutu Hasil Pengolahan Citra dan Pengukuran Langsung Data parameter visual hasil pengolahan citra selanjutnya dianalisis dan ditentukan korelasinya terhadap parameter mutu buah jeruk pontianak (SNI dan non SNI) yang diukur secara langsung. Parameter-parameter yang dianalisis disajikan pada Tabel 5. Tabel 5 Korelasi parameter mutu yang diamati No. Parameter mutu buah Parameter visual pengolahan citra SNI Non SNI 1. Ukuran - Luas area obyek - berat - diameter 2. Kekerasan Total padatan terlarut - Indeks warna (r, g, b) - Komponen warna HSI - Fitur tekstur 6. Penggolongan Kelas Buah Jeruk Pontianak Menurut SNI Hasil Pengukuran Langsung dan Pengolahan Citra Menurut SNI, jeruk pontianak digolongkan ke dalam empat kelas berdasarkan berat atau diameternya, seperti terlihat pada Tabel 2. Seluruh sampel buah jeruk pontianak yang digunakan dalam penelitian ini selanjutnya digolongkan ke dalam kelas-kelas dengan kriteria seperti yang disyaratkan SNI dengan menggunakan parameter berat atau diameter buah hasil pengukuran langsung.

40 23 Setelah itu, sampel buah jeruk digolongkan ke dalam kelas-kelas sesuai SNI dengan parameter area citra buah hasil pengolahan citra. Langkah ini dilakukan dengan terlebih dahulu mengkonversi nilai batas kelas buah jeruk dari besaran berat atau diameter buah ke besaran area citra menggunakan persamaan korelasi yang telah diperoleh sebelumnya. Buah jeruk pontianak yang sudah digolongkan ke dalam kelas-kelas menurut SNI menggunakan pengolahan citra, selanjutnya dibandingkan dengan penggolongan kelas hasil pengukuran langsung berdasarkan berat atau diameter buah. Dari perbandingan tersebut akan diketahui tingkat keberhasilan penggolongan kelas jeruk hasil pengolahan citra terhadap penggolongan kelas yang seharusnya (hasil pengukuran langsung). 7. Penggolongan Buah Jeruk Pontianak Berdasarkan Visual Warna Kulit Berdasarkan visual warna kulitnya, buah jeruk pontianak digolongkan ke dalam tiga kelompok, yaitu jeruk dengan kulit kuning, kulit hijau kekuningan, dan kulit hijau. Parameter visual hasil pengolahan citra yang digunakan untuk penggolongan ini adalah parameter warna (RGB dan HSI). Penggolongan ini dilakukan setelah diperoleh nilai batas antar kelompok warna kulit buah dengan analisis statistik sederhana. 8. Membangun Algoritma Pemutuan Menggunakan Pengolahan Citra Algoritma pemutuan dengan pengolahan citra yang dibangun menggunakan kombinasi antara parameter area dengan parameter warna. Kombinasi ini menghasilkan 12 kelas mutu yang baru, yaitu A1, A2, A3, B1, B2. B3, C1, C2, C3, D1, D2, dan D3, seperti terlihat pada Tabel 6.