IV. HASIL DAN PEMBAHASAN
|
|
- Hadian Sanjaya
- 6 tahun lalu
- Tontonan:
Transkripsi
1 26 IV. HASIL DAN PEMBAHASAN A. Pengukuran Parameter Mutu Jeruk Pontianak Secara Langsung Dari Hasil Pemutuan Manual Pemutuan jeruk pontianak secara manual dilakukan oleh pedagang besar dengan melihat diameter buah atau menduga berat 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. Parameter mutu yang diukur adalah berat, diameter, kekerasan, dan total padatan terlarut (TPT). Nilai rata-rata, standar deviasi, nilai maksimum dan minimum parameter mutu hasil pengukuran secara langsung disajikan pada Tabel 7 Tabel 10. Data hasil pengukuran ini selengkapnya dapat dilihat pada Lampiran 2. Tabel 7 Nilai rata-rata, nilai maksimum dan minimum berat buah jeruk pontianak hasil pengukuran langsung dari pemutuan manual Kelas A B C D E Rata-rata (gram) Standar deviasi (gram) Maksimum (gram) Minimum (gram) Tabel 8 Nilai rata-rata, nilai maksimum dan minimum diameter buah jeruk pontianak hasil pengukuran langsung dari pemutuan manual Kelas A B C D E Rata-rata (mm) Standar deviasi (mm) Maksimum (mm) Minimum (mm)
2 Tabel 9 Nilai rata-rata, nilai maksimum dan minimum kekerasan buah jeruk pontianak hasil pengukuran langsung dari pemutuan manual Kelas A B C D E Rata-rata (kg) Standar deviasi (kg) Maksimum (kg) Minimum (kg) Tabel 10 Nilai rata-rata, nilai maksimum dan minimum TPT buah jeruk pontianak hasil pengukuran langsung dari pemutuan manual Kelas A B C D E Rata-rata ( o brix) Standar deviasi ( o brix) Maksimum ( o brix) Minimum ( o brix) Diameter jeruk mempunyai pengaruh yang besar terhadap beratnya. Hal ini ditunjukkan dengan kecenderungan semakin besar diameter jeruk, maka akan semakin berat, seperti terlihat pada grafik Gambar 13. Berdasarkan grafik tersebut, korelasi antara diameter dan berat jeruk pontianak mempunyai koefisien determinasi (R 2 ) sebesar atau dengan kata lain grafik tersebut mempunyai nilai kesesuaian sebesar 95.33%. Dari 850 sampel jeruk yang diamati, diameter jeruk terbesar adalah 80.4 mm dan yang terkecil sebesar 40.4 mm, sedangkan berat jeruk paling besar 234 gram dan yang paling kecil 36.2 gram. Parameter kekerasan tidak mempunyai pengaruh yang besar terhadap TPT. Hal ini ditunjukkan dengan kecilnya nilai koefisien determinasi (R 2 ) antara kedua parameter tersebut, yaitu sebesar Dari 850 sampel jeruk yang diamati, kekerasan jeruk terbesar adalah kg dan yang terkecil sebesar kg, sedangkan TPT jeruk paling besar 15.0 o brix dan yang paling kecil 8.1 o brix. Grafik hubungan antara kekerasan dan TPT jeruk dapat dilihat pada Gambar 14.
3 Berat (gram) y = x R 2 = Diameter (mm) Gambar 13 Hubungan diameter dan berat buah jeruk pontianak TPT (brix) R 2 = Kekerasan (kg) Gambar 14 Hubungan kekerasan dan TPT buah jeruk pontianak.
4 29 B. Program Pengolahan Citra untuk Menghitung Parameter Visual Citra Jeruk Pontianak Parameter visual citra buah jeruk pontianak diperoleh dengan menggunakan program pengolahan citra yang dibangun dengan bahasa pemrograman Borland Delphi 7. Program tersebut dapat digunakan untuk menghitung area, indeks warna merah (r), indeks warna hijau (g), indeks warna biru (b), corak (hue), kejenuhan (saturation), intensitas, dan fitur tekstur (entropi, energi, kontras, dan homogenitas). Tampilan program pengolahan citra terdiri atas menu perintah, gambar obyek, gambar histogram, dan hasil analisis. Tampilan awal program pada saat dieksekusi seperti terlihat pada Gambar 15. Langkah pertama dari program tersebut adalah membuka file citra jeruk dengan format bitmap (*.bmp) pada menu File-Open Image, kemudian pilih file citra yang akan dianalisis, maka akan terlihat tampilan seperti Gambar 16. Gambar 15 Tampilan awal program pengolahan citra.
5 30 Gambar 16 Tampilan program setelah memilih file untuk dianalisis. Langkah berikutnya adalah proses thresholding untuk memisahkan antara obyek dan latar belakang. Pemilihan nilai threshold disesuaikan sehingga obyek dapat dipisahkan dari latar belakangnya. Dari proses ini akan dihasilkan tiga buah citra baru, yaitu citra warna yang sudah di-threshold, citra abu-abu, dan citra biner. Kemudian untuk menghasilkan citra biner yang bebas dari noise, dilakukan operasi morfologi menggunakan proses opening, closing, dilasi, dan erosi. Caranya adalah dengan mengklik menu Morphology Operation, lalu pilih operasi yang dinginkan sampai menghasilkan citra biner yang bebas dari noise, seperti terlihat pada Gambar 17. Setelah dilakukan proses thresholding, langkah berikutnya adalah menganalisis citra tersebut sehingga diperoleh parameter-parameter visual yang meliputi area, indeks warna merah, indeks warna hijau, indeks warna biru, hue, saturation, intensitas, entropi, energi, kontras, dan homogenitas. Selain itu,
6 31 histogram yang menunjukkan jumlah piksel dengan intensitas tertentu juga dapat ditampilkan, seperti terlihat pada Gambar 18. Langkah terakhir adalah menyimpan hasil analisis ke dalam sebuah database pada menu File-Save Data Results, sehingga nantinya dapat diolah lebih lanjut. Tampilan data ketika disimpan terlihat seperti pada Gambar 18. Hasil analisis citra jeruk untuk tiap kelas disajikan pada Lampiran 3. Gambar 17 Tampilan program setelah thresholding dan operasi morfologi.
7 32 Gambar 18 Tampilan program setelah dilakukan analisis. Gambar 19 Tampilan database hasil analisis program pengolahan citra. C. Korelasi Parameter Mutu Hasil Pengukuran Langsung dengan Parameter Visual Hasil Pengolahan Citra Area citra jeruk pontianak mempunyai korelasi yang besar terhadap berat buah jeruk. Korelasi antara area dan berat mempunyai koefisien determinasi (R 2 )
8 33 sebesar dengan persamaan korelasi berat = *area atau area = *berat , seperti terlihat pada grafik Gambar 20. Dari grafik tersebut terlihat bahwa semakin besar area citra buah maka berat buah juga akan semakin besar. 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 rata-ratanya. Semakin besar area citra buah maka diameter buah juga akan semakin besar. Korelasi kedua parameter ini mempunyai koefisien determinasi (R 2 ) sebesar Persamaan korelasinya adalah diameter = 0.001*area atau area = *diameter , seperti terlihat pada grafik Gambar 21. Dalam citra berukuran 400 x 300 piksel, 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 y = x R 2 = Berat (gram) Area (piksel) Gambar 20 Korelasi area citra dan berat buah jeruk.
9 y = 0.001x R 2 = Diameter (mm) Area (piksel) Gambar 21 Korelasi area citra dan diameter rata-rata buah jeruk. Indeks warna merah, hijau, dan biru serta komponen 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, seperti terlihat pada Gambar 22, Gambar 23, dan Gambar 24.
10 Kekerasan Kekerasan R 2 = R 2 = r H Kekerasan R 2 = Kekerasan R 2 = g S Kekerasan Kekerasan R 2 = R 2 = 1E b I Gambar 22 Korelasi indeks warna rgb dan komponen warna HSI terhadap kekerasan buah jeruk.
11 TPT R 2 = TPT R 2 = r H TPT R 2 = TPT R 2 = g S TPT R 2 = TPT R 2 = b I Gambar 23 Korelasi indeks warna rgb dan komponen warna HSI terhadap total padatan terlarut buah jeruk.
12 Kekerasan R 2 = TPT R 2 = Entropi Entropi Kekerasan TPT R 2 = R 2 = Energi Energi Kekerasan R 2 = TPT R 2 = Kontras Kontras Kekerasan TPT R 2 = R 2 = Homogenitas Homogenitas Gambar 24 Korelasi fitur tekstur terhadap kekerasan dan total padatan terlarut buah jeruk.
13 D. Penggolongan Kelas Jeruk Pontianak Menurut SNI Berdasarkan Hasil Pengukuran Langsung Buah jeruk pontianak dapat digolongkan menurut SNI berdasarkan berat atau diameternya. Kriteria penggolongan buah jeruk pontianak sesuai SNI berdasarkan berat dan diameternya dapat dilihat pada Tabel 3. Dari uraian sebelumnya telah diperoleh koefisien determinasi antara parameter berat buah dan area citra lebih besar daripada koefisien determinasi antara parameter diameter buah dan area citra. Oleh karena itu, dalam pembahasan selanjutnya parameter berat buah akan digunakan sebagai kriteria penggolongan kelas menurut SNI. Dari 850 sampel buah jeruk yang digunakan, hasil penggolongan kelas menurut SNI berdasarkan berat buah adalah sebagai berikut: 91 buah jeruk yang masuk ke dalam kelas A, dan 269 buah jeruk yang digolongkan ke kelas B. Buah jeruk yang masuk kelas C ada 467 buah, sedangkan yang masuk kelas D ada 23 buah (Tabel 11). Hasil penggolongan kelas menurut SNI ini apabila dibandingkan dengan penggolongan kelas hasil pemutuan manual dapat dilihat pada Tabel 12 dan Gambar 25. Tabel 11 Penggolongan kelas hasil pengukuran langsung berdasarkan berat buah menurut SNI Kelas Jumlah (buah) A 91 B 269 C 467 D 23 Total 850 Tabel 12 Penggolongan kelas menurut SNI dan hasil pemutuan manual SNI Pengukuran Manual (berat) Langsung (berat) A B C D E 38 Jumlah A 91 (100%) 0 (0%) 0 (0%) 0 (0%) 0 (0%) 91 B 34 (12.6%) 124 (46.1%) 111 (41.3%) 0 (0%) 0 (0%) 269 C 0 (0%) 1 (0.2%) 89 (19.1%) 200 (42.8%) 177 (37.9%) 467 D 0 (0%) 0 (0%) 0 (0%) 0 (0%) 23 (100%) 23 Jumlah Keterangan: Tingkat keberhasilan yang dicetak tebal.
14 39 Dari Tabel 12 terlihat tingkat keberhasilan penggolongan pada kelas A sebesar 100%, kelas B 46.1%, kelas C 19.1%, dan kelas D 0%. Dengan demikian tingkat keberhasilan rata-rata penggolongan kelas ini adalah 41.3% A Berat (gram) B C 50 D 0 A B C D E Kelas jeruk pontianak Gambar 25 Penggolongan kelas buah jeruk pontianak hasil pemutuan manual dan perbandingannya dengan kelas menurut kriteria SNI. E. Penggolongan Kelas Jeruk Pontianak Menurut SNI Menggunakan Pengolahan Citra Menurut SNI, jeruk pontianak digolongkan ke dalam empat kelas berdasarkan berat atau diameternya, yaitu kelas A, B, C, dan D (Tabel 3). Dengan menggunakan pengolahan citra, maka penggolongan kelas ini dapat dilakukan dengan menggunakan parameter area citra buah. Area citra buah dapat digunakan untuk penggolongan kelas buah jeruk pontianak dengan terlebih dahulu mengkonversi nilai batas parameter berat ke parameter area citra. Persamaan yang digunakan adalah area = *berat Kriteria penggolongan kelas berdasarkan berat menurut SNI dan hasil konversi ke area citra dapat dilihat pada Tabel 13.
15 Tabel 13 Kriteria kelas jeruk pontianak (SNI ) berdasarkan berat dan hasil konversinya ke area citra Kelas Berat (gram/buah) Area citra (piksel) A B C D Dari 850 sampel buah jeruk yang digunakan, ada 45 buah jeruk hasil penggolongan menggunakan pengolahan citra (area) yang tidak sesuai dengan penggolongan hasil pengukuran secara langsung (berat). Hasil penggolongan kelas menurut SNI menggunakan pengolahan citra dengan hasil pengukuran langsung disajikan pada Tabel 14 dan Gambar 26. Dari Tabel 14 terlihat tingkat keberhasilan penggolongan pada kelas A sebesar 87.9%, kelas B 98.5%, kelas C 94.0%, dan kelas D 100%. Dengan demikian tingkat keberhasilan rata-rata penggolongan ini adalah 95.1%. Tabel 14 SNI Pengukuran Penggolongan kelas menggunakan pengolahan citra dengan hasil pengukuran langsung berdasarkan berat buah Pengolahan Citra (area) Langsung (berat) A B C D Jumlah A 80 (87.9%) 11 (12.1%) 0 (0%) 0 (0%) 91 B 0 (0%) 265 (98.5%) 4 (1.5%) 0 (0%) 269 C 0 (0%) 14 (3.0%) 439 (94.0%) 14 (13.0%) 467 D 0 (0%) 0 (0%) 0 (0%) 23 (100%) 23 Jumlah Keterangan: Tingkat keberhasilan yang dicetak tebal. Dari tabel diatas terlihat ada 91 buah jeruk yang seharusnya masuk ke dalam kelas A sesuai SNI, tapi hanya 80 buah yang dimasukkan ke dalam kelas A oleh pengolahan citra, sedangkan 11 buah dimasukkan ke dalam kelas B. Ada 269 buah jeruk yang seharusnya digolongkan kelas B sesuai SNI, namun oleh pengolahan citra digolongkan kelas B 265 buah dan kelas C 4 buah. Pada penggolongan kelas C, ada 467 buah jeruk yang seharusnya masuk kelas C sesuai SNI, namun oleh pengolahan citra sebanyak 439 buah dimasukkan ke dalam kelas
16 41 C, sedangkan sisanya masuk ke dalam kelas B dan D masing-masing sebanyak 14 buah. Penggolongan kelas D menghasilkan tingkat keberhasilan terbesar (100%). Dari 23 buah jeruk yang seharusnya masuk kelas D, semuanya masuk ke dalam kelas D menggunakan pengolahan citra A Berat (gram) B C 50 D 0 A B C D Kelas Jeruk Pontianak Gambar 26 Penggolongan kelas buah jeruk pontianak hasil pengolahan citra dan perbandingannya dengan kelas menurut kriteria SNI. Tingkat keberhasilan rata-rata penggolongan kelas menggunakan pengolahan citra belum sepenuhnya 100%. Hal ini mungkin dikarenakan proses thresholding untuk memperoleh citra biner yang kurang sempurna, sehingga nilai area citra yang diperoleh tidak sesuai dengan yang seharusnya. F. Penggolongan Warna Kulit Buah Jeruk Pontianak Menggunakan Pengolahan Citra Pemutuan buah jeruk pontianak selama ini dilakukan oleh petani jeruk secara manual dan hanya berdasarkan ukuran buah (berat atau diameter). Pemutuan manual ini tidak memperhatikan warna kulit buah sehingga hasil
17 42 pemutuan menjadi kurang seragam baik dalam hal ukuran maupun warna buah. Hal ini terbukti dengan adanya hasil pemutuan manual pada kelas yang sama namun ukuran buah berbeda dan warna kulit buah beragam (hijau, hijau kekuningan, dan kuning). Jika pemutuan buah jeruk pontianak dilakukan dengan memperhatikan parameter warna kulit buah, selain parameter ukuran, tentu akan diperoleh hasil pemutuan yang lebih seragam, baik dari segi ukuran maupun warna kulit buah Pada umumnya, para konsumen jeruk akan lebih memilih buah jeruk dengan ukuran yang besar dan warna kulit buah kuning. Para konsumen jeruk berasumsi bahwa jeruk yang kulit buahnya berwarna kuning akan mempunyai rasa yang lebih manis dibandingkan dengan jeruk yang kulit buahnya berwarna hijau. Di samping itu, apabila buah jeruk dikemas dalam sebuah kemasan dengan ukuran dan warna yang seragam, tentu hal ini akan lebih menarik perhatian konsumen. Apabila pemutuan dengan parameter ukuran buah dan warna kulit dilakukan secara manual, tentu akan sangat melelahkan dan hasil pemutuannya tidak dapat dijamin menjadi seragam. Namun dengan menggunakan pengolahan citra, hal ini dapat dilakukan. Berdasarkan visual wana kulitnya, buah jeruk pontianak dapat digolongkan ke dalam tiga macam warna, yaitu hijau, hijau kekuningan, dan kuning. Contoh jeruk dengan visual warna kulit hijau, hijau kekuningan, dan kuning dapat dilihat pada Gambar 27, Gambar 28, dan Gambar 29. Gambar 27 Contoh jeruk dengan kategori warna kulit hijau.
18 43 Gambar 28 Contoh jeruk dengan kategori warna kulit hijau kekuningan. Gambar 29 Contoh jeruk dengan kategori warna kulit kuning. Dari hasil analisis penggolongan buah jeruk pontianak berdasarkan visual warna kulitnya, ternyata parameter indeks warna merah (r) memberikan hasil penggolongan terbaik dengan tingkat keberhasilan sebesar 94%. Sampel jeruk yang digunakan berjumlah 150 buah, yang terdiri atas jeruk dengan kulit hijau, kulit hijau kekuningan, dan kulit kuning masing-masing sebanyak 50 buah. Tingkat keberhasilan penggolongan ini dengan parameter warna hasil pengolahan citra disajikan pada Tabel 15. Dengan menggunakan parameter indeks warna merah (r) diperoleh nilai batas antar kategori warna kulit buah jeruk seperti terlihat pada Tabel 16. Hasil penggolongan buah jeruk pontianak berdasarkan visual kulitnya dengan menggunakan parameter ini dapat dilihat pada Gambar 30.
19 Tabel 15 Tingkat keberhasilan penggolongan kelas jeruk pontianak berdasarkan visual warna kulitnya menggunakan pengolahan citra Hijau Tingkat keberhasilan Parameter penggolongan Hijau Kuning kekuningan rata-rata Indeks warna merah (r) 49 (98%) 42 (84%) 50 (100%) 94% Indeks warna hijau (g) 45 (90%) 15 (30%) 41 (82%) 67% Indeks warna biru (b) 43 (86%) 29 (58%) 36 (72%) 72% Rasio merah-hijau (R/G) 49 (98%) 32 (64%) 48 (96%) 86% Rasio merah-biru (R/B) 48 (96%) 40 (80%) 44 (88%) 88% Rasio hijau-biru (G/B) 28 (56%) 10 (20%) 30 (60%) 45% Corak (hue) 48 (96%) 28 (56%) 46 (92%) 81% Kejenuhan (saturation) 43 (86%) 29 (58%) 36 (72%) 72% Intensitas (intensity) 39 (78%) 16 (32%) 28 (56%) 55% Rasio corak-kejenuhan (H/S) 48 (96%) 33 (66%) 49 (98%) 87% Rasio corak-intensitas (H/I) 48 (96%) 40 (80%) 47 (94%) 90% Rasio kejenuhan-intensitas (S/I) 37 (74%) 25 (50%) 40 (80%) 68% Tabel 16 Nilai batas indeks warna merah (r) untuk penggolongan buah jeruk berdasarkan visual kulitnya Hijau Hijau kekuningan Kuning Batas atas Batas bawah Kuning r Hijau kekuningan Hijau Hijau Hijau kekuningan Kuning Warna kulit jeruk Gambar 30 Penggolongan buah jeruk berdasarkan kulit buah menggunakan parameter indeks warna merah.
20 45 G. Algoritma Pemutuan Buah Jeruk Pontianak Menggunakan Pengolahan Citra Berdasarkan Area dan Warna Berdasarkan hasil penggolongan dengan parameter berat dan warna kulit buah, maka dapat dibuat suatu pemutuan jeruk pontianak yang baru dengan menggunakan kedua parameter tersebut. Dengan menggunakan kedua parameter ini, maka dapat dibuat 12 tingkat mutu yang baru (Tabel 6). Pemutuan dengan pengolahan citra ini menggunakan parameter area berdasarkan berat buah sesuai kriteria SNI jeruk dan indeks warna merah (r) digunakan untuk menggolongkan jeruk pontianak berdasarkan warna kulitnya. Kriteria nilai area dan indeks warna merah untuk pemutuan dengan pengolahan citra ini dapat dilihat pada Tabel 17 sedangkan diagram alir algoritma pemutuannya disajikan pada Gambar 31. Tabel 17 Kriteria area citra dan indeks warna merah untuk pemutuan jeruk pontianak Mutu Area citra (A) Kriteria Indeks warna merah (r) A1 A r A2 A < r < A3 A r B A < r B A < < r < B A < r C A < r C A < < r < C A < r D1 A r D2 A < r < D3 A r
21 46 Mulai Sampel Jeruk r Y Grade=A1 N A Y < r < Y Grade=A2 N N Grade=A3 r Y Grade=B1 N A < Y < r < Y Grade=B2 N N Grade=B3 r Y Grade=C1 N A < Y < r < Y Grade=C2 N N Grade=C3 r Y Grade=D1 N < r < Y Grade=D2 Selesai N N Grade=D3 Y Selesai Gambar 31 Diagram alir algoritma pemutuan dengan pengolahan citra untuk jeruk pontianak.
22 47 H. Perbandingan Pemutuan Jeruk Pontianak Menggunakan Pengolahan Citra dengan Pemutuan Manual Dari uraian diatas, telah disebutkan bahwa pemutuan manual dilakukan oleh petani jeruk dengan cara menduga ukuran buah jeruk pontianak kemudian digolongkan ke dalam lima kelas, yaitu kelas A, B, C, D, dan E. Ukuran buah jeruk hasil pemutuan manual ini tidak sesuai dengan ukuran buah jeruk yang disyaratkan SNI. Selain itu, pemutuan ini juga tidak memperhatikan warna kulit buah. Pemutuan jeruk pontianak dengan pengolahan citra diusulkan sebagai bentuk pemutuan yang baru yang lebih baik daripada pemutuan manual. Pemutuan dengan pengolahan citra ini menggunakan parameter area dan indeks warna merah, sehingga nantinya bisa diperoleh hasil pemutuan yang ukuran dan warna kulit buah jeruk yang lebih seragam. Jadi, keunggulan pemutuan yang diusulkan menggunakan pengolahan citra dibandingkan dengan pemutuan manual adalah sebagai berikut: 1. Lebih seragam dari segi ukuran dan warna kulit buah. 2. Ukuran buah sesuai dengan ukuran kriteria SNI. Ilustrasi perbedaan pemutuan manual dengan pemutuan yang baru dapat dijelaskan pada Gambar 32 sampai dengan Gambar 38 di bawah ini. Pada Gambar 32 ditunjukkan hasil pemutuan jeruk pontianak secara manual oleh petani yang masuk kategori kelas E. Walaupun masuk dalam kelas yang sama, dari gambar tersebut terlihat ada perbedaan ukuran dan warna kulit buah antara jeruk yang satu dengan jeruk yang lain. Dengan menggunakan sampel yang sama, hasil pemutuan yang baru menggunakan pengolahan citra dapat membedakan jeruk-jeruk tersebut menjadi 6 kelas mutu yang baru, yaitu C1, C2, C3, D1, D2, dan D3. Meskipun oleh petani sampel jeruk-jeruk tersebut semuanya dimasukkan ke dalam kelas E, namun berdasarkan hasil pengukuran ukuran buah dengan parameter area sesuai kriteria SNI, jeruk-jeruk tersebut masuk dalam kelas C dan D. Dengan menggunakan algoritma pemutuan yang baru, sampel jeruk yang masuk ke dalam mutu C1 adalah jeruk E103, E104, E113, dan E142 (Gambar 33). Jeruk-jeruk yang masuk mutu C2 adalah E110, E115, E121, dan E123, sedangkan yang masuk mutu C3
23 48 adalah jeruk E100, E101, E105, dan E143, seperti terlihat pada Gambar 34 dan Gambar 35. Pada Gambar 36, jeruk E128, E129, E35, dan E191 oleh pemutuan yang baru digolongkan ke mutu D1, sedangkan jeruk E13, E163, E173, dan E22 masuk mutu D2 (Gambar 37). Pada Gambar 38, jeruk E127, E170, E21, dan E85 digolongkan ke mutu D3 oleh pemutuan yang baru. E13 E21 E22 E35 E85 E100 E101 E103 E104 E105 E110 E113 E115 E121 E123 E127 E128 E129 E142 E143 E163 E170 E173 E191 Gambar 32 Hasil pemutuan manual jeruk pontianak oleh petani untuk kategori kelas E. Terlihat variasi warna kulit sangat jelas.
24 49 Mutu C1 E103 E104 E113 E142 Gambar 33 Hasil pemutuan jeruk pontianak menggunakan pengolahan citra untuk mutu C1. Terlihat warna kulit buah kuning dan seragam. Mutu C2 E110 E115 E121 E123 Gambar 34 Hasil pemutuan jeruk pontianak menggunakan pengolahan citra untuk mutu C2. Terlihat warna kulit buah hijau kekuningan dan seragam. Mutu C3 E100 E101 E105 E143 Gambar 35 Hasil pemutuan jeruk pontianak menggunakan pengolahan citra untuk untuk mutu C3. Terlihat warna kulit buah hijau dan seragam. Mutu D1 E128 E129 E35 E191 Gambar 36 Hasil pemutuan jeruk pontianak menggunakan pengolahan citra untuk untuk mutu D1. Terlihat warna kulit buah kuning dan seragam.
25 50 Mutu D2 E13 E163 E173 E22 Gambar 37 Hasil pemutuan jeruk pontianak menggunakan pengolahan citra untuk mutu D2. Terlihat warna kulit buah hijau kekuningan dan seragam. Mutu D3 E127 E170 E21 E85 Gambar 38 Hasil pemutuan jeruk pontianak menggunakan pengolahan citra untuk mutu D3. Terlihat warna kulit buah hijau dan seragam. Seperti telah dijelaskan sebelumnya, jumlah sampel buah jeruk yang digunakan dalam penelitian adalah sebanyak 850 buah. Jeruk-jeruk tersebut digolongkan secara manual ke dalam lima kelas oleh petani jeruk, yaitu kelas A sebanyak 125 buah, kelas B 125 buah, kelas C 200 buah, kelas D 200 buah, dan kelas E 200 buah. Dengan menggunakan sampel yang sama, pemutuan dengan menggunakan algoritma pemutuan yang diusulkan menghasilkan penggolongan buah jeruk ke dalam 12 tingkat mutu. Jumlah buah jeruk dalam masing-masing mutu adalah sebagai berikut: mutu A1 sebanyak 12 buah, mutu A2 36 buah, mutu A3 38 buah, mutu B1 55 buah, mutu B2 122 buah, mutu B3 110 buah, mutu C1 150 buah, mutu C2 140 buah, mutu C3 150 buah, mutu D1 21 buah, mutu D2 12 buah, dan mutu D3 4 buah.
III. METODOLOGI PENELITIAN
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
Lebih terperinciSKRIPSI. PEMUTUAN BUAH JERUK MANIS (Citrus sinensis (L) Osbeck) MENGGUNAKAN ALGORITMA PENGOLAHAN CITRA. Oleh: MARIA YUSTINA TAMPUBOLON F
SKRIPSI PEMUTUAN BUAH JERUK MANIS (Citrus sinensis (L) Osbeck) MENGGUNAKAN ALGORITMA PENGOLAHAN CITRA Oleh: MARIA YUSTINA TAMPUBOLON F14101109 DEPARTEMEN TEKNIK PERTANIAN FAKULTAS TEKNOLOGI PERTANIAN INSTITUT
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN A. PROGRAM PENGOLAHAN CITRA BIJI KOPI Citra biji kopi direkam dengan menggunakan kamera CCD dengan resolusi 640 x 480 piksel. Citra biji kopi kemudian disimpan dalam file dengan
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN A. TEMPAT DAN WAKTU Kegiatan penelitian dilakukan di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian (TPPHP), Departemen Teknik Pertanian, Fakultas Teknologi Pertanian,
Lebih terperinciBAB VI HASIL DAN PEMBAHASAN
BAB VI HASIL DAN PEMBAHASAN 4.1 Program Pengolahan Citra untuk Pengukuran Warna pada Produk Hortikultura Pengembangan metode pengukuran warna dengan menggunakan kamera CCD dan image processing adalah dengan
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Pengumpulan dan Praproses Data Kegiatan pertama dalam penelitian tahap ini adalah melakukan pengumpulan data untuk bahan penelitian. Penelitian ini menggunakan data sekunder
Lebih terperinciBAB II LANDASAN TEORI...
DAFTAR ISI HALAMAN JUDUL... i LEMBAR PENGESAHAN PEMBIMBING... ii LEMBAR PERNYATAAN KEASLIAN HASIL TESIS... iii LEMBAR PENGESAHAN PENGUJI... iv PERSEMBAHAN... v MOTTO... vi KATA PENGANTAR... vii SARI...
Lebih terperinciDAFTAR ISI BAB II TINJAUAN PUSTAKA...4
DAFTAR ISI HALAMAN JUDUL...i PERNYATAAN BEBAS PLAGIARISME...ii HALAMAN PENGESAHAN...iii HALAMAN TUGAS...iv HALAMAN MOTTO...vi KATA PENGANTAR...vii DAFTAR ISI...ix DAFTAR TABEL...xiii DAFTAR GAMBAR...xv
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN A. DESKRIPSI ALAT Perhitungan benih ikan dengan image processing didasarkan pada luas citra benih ikan. Pengambilan citra menggunakan sebuah alat berupa wadah yang terdapat kamera
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertian Citra Citra adalah suatu representasi (gambaran), kemiripan, atau imitasi suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
Lebih terperinciII. TINJAUAN PUSTAKA. A. Jeruk Siam
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
Lebih terperinciBAB I PENDAHULUAN. penting di Indonesia. Buah-buahan memiliki tingkat permintaan yang tinggi.
BAB I PENDAHULUAN A. LATAR BELAKANG Buah-buahan merupakan salah satu kelompok komoditas pertanian yang penting di Indonesia. Buah-buahan memiliki tingkat permintaan yang tinggi. Permintaan domestik terhadap
Lebih terperinciBAB 4 HASIL DAN ANALISA
BAB 4 HASIL DAN ANALISA 4. Analisa Hasil Pengukuran Profil Permukaan Penelitian dilakukan terhadap (sepuluh) sampel uji berdiameter mm, panjang mm dan daerah yang dibubut sepanjang 5 mm. Parameter pemesinan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Seiring dengan perkembangan teknologi informasi dan semakin luasnya pemanfaatan teknologi komputer di berbagai bidang kehidupan, kebutuhan akan efisiensi pengelolaan
Lebih terperinciAPLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA
APLIKASI DETEKSI MIKROKALSIFIKASI DAN KLASIFIKASI CITRA MAMMOGRAM BERBASIS TEKSTUR SEBAGAI PENDUKUNG DIAGNOSIS KANKER PAYUDARA Yusti Fitriyani Nampira 50408896 Dr. Karmilasari Kanker Latar Belakang Kanker
Lebih terperinciBAB IV IMPLEMENTASI DAN HASIL PENGUJIAN
BAB IV IMPLEMENTASI DAN HASIL PENGUJIAN 4.1 Implementasi Aplikasi Pada bab ini akan dibahas mengenai implementasi aplikasi yang telah dibuat setelah melakukan analisa dan perancangan aplikasi filter sobel
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.1 Desain frame grabber Desain frame grabberdiawali dengan pemilihan perangkat kamera yang akan digunakan. Video akan muncul komponen VideoWindow1 yang secara realtime terhubung
Lebih terperinciPENGEMBANGAN APLIKASI PERHITUNGAN JUMLAH OBJEK PADA CITRA DIGITAL DENGAN MENGGUNAKAN METODE MATHEMATICAL MORPHOLOGY
PENGEMBANGAN APLIKASI PERHITUNGAN JUMLAH OBJEK PADA CITRA DIGITAL DENGAN MENGGUNAKAN METODE MATHEMATICAL MORPHOLOGY DAN TEKNIK CONNECTED COMPONENT LABELING Oleh I Komang Deny Supanji, NIM 0815051052 Jurusan
Lebih terperinciSAMPLING DAN KUANTISASI
SAMPLING DAN KUANTISASI Budi Setiyono 1 3/14/2013 Citra Suatu citra adalah fungsi intensitas 2 dimensi f(x, y), dimana x dan y adalahkoordinat spasial dan f pada titik (x, y) merupakan tingkat kecerahan
Lebih terperinciPERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA
PERBANDINGAN SEGMENTASI CITRA BERWARNA DENGAN FUZZY CMEANS CLUSTERING PADA BEBERAPA REPRESENTASI RUANG WARNA Naser Jawas Sistem Komputer STMIK STIKOM Bali Jl Raya Puputan No.86 Renon, Denpasar, Bali 80226
Lebih terperinci5. IDENTIFIKASI JENIS TANAMAN. Pendahuluan
5. IDENTIFIKASI JENIS TANAMAN Pendahuluan Tujuan aplikasi berbasis sensor adalah melakukan penyemprotan dengan presisi tinggi berdasarkan pengamatan real time, menjaga mutu produk dari kontaminasi obat-obatan
Lebih terperinciPengolahan citra. Materi 3
Pengolahan citra Materi 3 Citra biner, citra grayscale dan citra warna Citra warna berindeks Subject Elemen-elemen Citra Digital reflectance MODEL WARNA Citra Biner Citra Biner Banyaknya warna hanya 2
Lebih terperinciBAB IV PREPROCESSING
BAB IV PREPROCESSING 4.1 Langkah yang Dilakukan Interpretasi visual citra Pap smear merupakan hal yang sangat rumit. Hal ini disebabkan karena citra Pap smear memberikan hasil sel yang beragam mulai dari
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Waktu dan Tempat Penelitian dilaksanakan selama bulan Maret hingga Juli 2011, bertempat di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian (TPPHP), Departemen
Lebih terperinciBAB III METODE PENELITIAN
23 BAB III METODE PENELITIAN 3.1. Tahapan Penelitian Tahapan proses penelitian ditunjukkan pada Gambar 15 berikut. Mulai 96 citra stomata Ekstraksi fitur - RGB & Skala Keabuan Ekstraksi fitur - Wavelet
Lebih terperinciPEMUTUAN BUAH JERUK SIAM PONTIANAK (Citrus nobilis var. microcarpa) DENGAN TEKNIK PENGOLAHAN CITRA SUSANTO BUDI SULISTYO
i PEMUTUAN BUAH JERUK SIAM PONTIANAK (Citrus nobilis var. microcarpa) DENGAN TEKNIK PENGOLAHAN CITRA SUSANTO BUDI SULISTYO SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2008 i PERNYATAAN MENGENAI
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM APLIKASI Bab ini berisi analisis pengembangan program aplikasi pengenalan karakter mandarin, meliputi analisis kebutuhan sistem, gambaran umum program aplikasi yang
Lebih terperinciSuatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara.
Image Enhancement Suatu proses untuk mengubah sebuah citra menjadi citra baru sesuai dengan kebutuhan melalui berbagai cara. Cara-cara yang bisa dilakukan misalnya dengan fungsi transformasi, operasi matematis,
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN 4.1. Deteksi Dari citra setting yang telah direkam, dengan menggunakan software Paint Shop Pro v.6, diketahui nilai RGB dari tiap laser yang terekam oleh kamera CCD. RGB yang dicantumkan
Lebih terperinciAPLIKASI PENGENALAN DAUN UBI JALAR UNTUK JENIS UBI JALAR UNGU, MERAH, PUTIH DAN KUNING MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS
APLIKASI PENGENALAN DAUN UBI JALAR UNTUK JENIS UBI JALAR UNGU, MERAH, PUTIH DAN KUNING MENGGUNAKAN METODE PRINCIPAL COMPONENT ANALYSIS SKRIPSI Diajukan Untuk Penulisan Skripsi Guna Memenuhi Salah Satu
Lebih terperinciBAB IV IMPLEMENTASI DAN PENGUJIAN
BAB IV IMPLEMENTASI DAN PENGUJIAN Pada bab ini, akan membahas implementasi dan hasil pengujian dari program aplikasi yang telah dibuat. Pada perancangan aplikasi ini meliputi perbedaan citra hasil foto
Lebih terperinciBAB 3 IMPLEMENTASI SISTEM
BAB 3 IMPLEMENTASI SISTEM Bab ini akan membahas mengenai proses implementasi dari metode pendeteksian paranodus yang digunakan dalam penelitian ini. Bab ini terbagai menjadi empat bagian, bagian 3.1 menjelaskan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dewasa ini penggunaan citra digital semakin meningkat karena kelebihan-kelebihan yang dimiliki oleh citra digital tersebut, antara lain kemudahan dalam mendapatkan
Lebih terperinciMETODE PENELITIAN. A. Waktu dan Tempat. B. Alat dan Bahan. C. Parameter Pengeringan dan Mutu Irisan Mangga
III. METODE PENELITIAN A. Waktu dan Tempat Kegiatan penelitian ini dilaksanakan mulai bulan Mei 2011 sampai dengan Agustus 2011 di Laboratorium Pindah Panas serta Laboratorium Energi dan Elektrifikasi
Lebih terperinciLaporan Akhir Praktikum Mempelajari Karakterisitk Visual Citra Tomat Menggunakan Image Processing. Avicienna Ulhaq Muqodas F
Laporan Akhir Praktikum Mempelajari Karakterisitk Visual Citra Tomat Menggunakan Image Processing Avicienna Ulhaq Muqodas F14110108 DEPARTEMEN TEKNIK MESIN DAN BIOSISTEM FAKULTAS TEKNOLOGI PERTANIAN INSTITUT
Lebih terperinciAnalisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital
Analisa Hasil Perbandingan Metode Low-Pass Filter Dengan Median Filter Untuk Optimalisasi Kualitas Citra Digital Nurul Fuad 1, Yuliana Melita 2 Magister Teknologi Informasi Institut Saint Terapan & Teknologi
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian Tahapan yang dilakukan dalam penelitian ini disajikan pada Gambar 14, terdiri dari tahap identifikasi masalah, pengumpulan dan praproses data, pemodelan
Lebih terperinciGLOSARIUM Adaptive thresholding Peng-ambangan adaptif Additive noise Derau tambahan Algoritma Moore Array Binary image Citra biner Brightness
753 GLOSARIUM Adaptive thresholding (lihat Peng-ambangan adaptif). Additive noise (lihat Derau tambahan). Algoritma Moore : Algoritma untuk memperoleh kontur internal. Array. Suatu wadah yang dapat digunakan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Prinsip Kerja Sistem Prinsip kerja sistem diawali dengan pembacaan citra rusak dan citra tidak rusak yang telah terpilih dan dikumpulkan pada folder tertentu.
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN A. PENGOLAHAN CITRA TANAMAN TOMAT Pengolahan data tanaman tomat dilakukan dengan menggunakan program pengolahan citra yang berbasiskan pemograman C. Tampilan halaman utama pada
Lebih terperinciTINJAUAN PUSTAKA. Gambar 1 Bentuk bunga, buah muda, buah siap panen dan buah manggis siap dikonsumsi (Nasution 2006).
TINJAUAN PUSTAKA Manggis Manggis (Garcinia mangostana) merupakan tanaman asli Indonesia. Kulit buah yang belum matang berwarna hijau kekuningan, jika matang berwarna merah ungu. Bentuk buah manggis bulat,
Lebih terperinciII. TINJAUAN PUSTAKA A. KOPI
II. TINJAUAN PUSTAKA A. KOPI Coffee atau kopi dalam bahasa Indonesia secara luas dikenal sebagai stimulan yang dibuat dari biji kopi. Kopi pertama kali dikonsumsi orang di abad ke-9 di daerah dataran tinggi
Lebih terperinciIV. HASIL DAN PEMBAHASAN
IV. HASIL DAN PEMBAHASAN A. Parameter Mutu Mentimun Jepang Mentimun jepang yang akan dipasarkan harus memenuhi karakteristik yang ditentukan oleh konsumen. Parameter mutu untuk mentimun jepang meliputi
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Tempat dan Waktu Penelitian Penelitian ini mengambil tempat di Universitas Muhammadiyah Yogyakarta yang berlokasi di Jl. Lingkar Selatan, Kasihan, Bantul, Daerah Istimewa
Lebih terperinciHistogram Warna Pada Image
Histogram Warna Pada Image Konsep Ruang Warna P(r,g,b) Setiap pixel mempunyai warna yang dinyatakan dalam RGB, sehingga merupakan gabungan nilai R, nilai G dan nilai B yang tidak bisa dipisahkan satu dengan
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
35 BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Implementasi GUI GUI diimplementasikan sesuai dengan program pengolah citra dan klasifikasi pada tahap sebelumya. GUI bertujuan untuk memudahkan pengguna mengidentifikasi
Lebih terperinciIMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI Pada bab ini dibahas mengenai implementasi serta evaluasi terhadap metode transformasi wavelet dalam sistem pengenalan sidik jari yang dirancang. Untuk mempermudah evaluasi,
Lebih terperinciSKRIPSI. PEMUTUAN BUAH JERUK MANIS (Citrus sinensis (L) Osbeck) MENGGUNAKAN ALGORITMA PENGOLAHAN CITRA. Oleh: MARIA YUSTINA TAMPUBOLON F
SKRIPSI PEMUTUAN BUAH JERUK MANIS (Citrus sinensis (L) Osbeck) MENGGUNAKAN ALGORITMA PENGOLAHAN CITRA Oleh: MARIA YUSTINA TAMPUBOLON F14101109 DEPARTEMEN TEKNIK PERTANIAN FAKULTAS TEKNOLOGI PERTANIAN INSTITUT
Lebih terperinciBAB 3 ANALISA DAN PERANCANGAN
44 BAB 3 ANALISA DAN PERANCANGAN 3.1 Analisa Analisa yang dilakukan terdiri dari : a. Analisa terhadap permasalahan yang ada. b. Analisa pemecahan masalah. 3.1.1 Analisa Permasalahan Pengenalan uang kertas
Lebih terperinciIDENTIFIKASI SEL DARAH BERBENTUK SABIT PADA CITRA SEL DARAH PENDERITA ANEMIA
IDENTIFIKASI SEL DARAH BERBENTUK SABIT PADA CITRA SEL DARAH PENDERITA ANEMIA IMAM SUBEKTI 2209106021 Dosen Pembimbing: Prof. Dr. Ir. Mauridhi Hery Purnomo, M.Eng. Dr. I Ketut Eddy Purnama, ST, MT. Latar
Lebih terperinciAPLIKASI PENGHITUNG JUMLAH WAJAH DALAM SEBUAH CITRA DIGITAL BERDASARKAN SEGMENTASI WARNA KULIT
MAKALAH SEMINAR TUGAS AKHIR APLIKASI PENGHITUNG JUMLAH WAJAH DALAM SEBUAH CITRA DIGITAL BERDASARKAN SEGMENTASI WARNA KULIT Rizki Salma*, Achmad Hidayatno**, R. Rizal Isnanto** 1 Sistem deteksi wajah, termasuk
Lebih terperinciPERANGKAT LUNAK PERBAIKAN KUALITAS CITRA DIGITAL MODEL RGB DAN IHS DENGAN OPERASI PENINGKATAN KONTRAS
PERANGKAT LUNAK PERBAIKAN KUALITAS CITRA DIGITAL MODEL RGB DAN IHS DENGAN OPERASI PENINGKATAN KONTRAS Tole Sutikno, Kartika Firdausy, Eko Prasetyo Center for Electrical Engineering Research and Solutions
Lebih terperinciPENERAPAN METODE SOBEL DAN GAUSSIAN DALAM MENDETEKSI TEPI DAN MEMPERBAIKI KUALITAS CITRA
PENERAPAN METODE SOBEL DAN GAUSSIAN DALAM MENDETEKSI TEPI DAN MEMPERBAIKI KUALITAS CITRA HASNAH(12110738) Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma Medan Jl. Sisingamangaraja No. 338
Lebih terperinciPENGATURAN KECERAHAN DAN KONTRAS CITRA SECARA AUTOMATIS DENGAN TEKNIK PEMODELAN HISTOGRAM
PENGATURAN KECERAHAN DAN KONTRAS CITRA SECARA AUTOMATIS DENGAN TEKNIK PEMODELAN HISTOGRAM Danny Ibrahim 1, Achmad Hidayatno 2, R. Rizal Isnanto 2 Jurusan Teknik Elektro, Fakultas Teknik, Universitas Diponegoro,
Lebih terperinciKLASIFIKASI TELUR AYAM DAN TELUR BURUNG PUYUH MENGGUNAKAN METODE CONNECTED COMPONENT ANALYSIS
Ikhwan Ruslianto KLASIFIKASI TELUR AYAM DAN TELUR BURUNG PUYUH MENGGUNAKAN METODE CONNECTED COMPONENT ANALYSIS IKHWAN RUSLIANTO Program Studi Teknik Informatika Sekolah Tinggi Manajemen Informatika dan
Lebih terperinciDAFTAR ISI. DAFTAR ISI... vii. DAFTAR GAMBAR... x. DAFTAR TABEL... xii I. PENDAHULUAN Latar Belakang Rumusan Masalah...
DAFTAR ISI Halaman DAFTAR ISI... vii DAFTAR GAMBAR... x DAFTAR TABEL... xii I. PENDAHULUAN... 1 1.1 Latar Belakang... 1 1.2 Rumusan Masalah... 2 1.3 Batasan Masalah... 2 1.4 Tujuan... 3 1.5 Manfaat...
Lebih terperinciBAB I PENDAHULUAN. teknologi pengolahan citra (image processing) telah banyak dipakai di berbagai
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Citra (image) adalah bidang dalam dwimatra (dua dimensi) (Munir, 2004). Sebagai salah satu komponen multimedia, citra memegang peranan sangat penting sebagai
Lebih terperinciKLASIFIKASI KUALITAS BUAH STROBERI SEGAR BERDASARKAN PENGUKURAN ATRIBUT KECACATAN MENGGUNAKAN PENGOLAHAN CITRA
KLASIFIKASI KUALITAS BUAH STROBERI SEGAR BERDASARKAN PENGUKURAN ATRIBUT KECACATAN MENGGUNAKAN PENGOLAHAN CITRA Arina Diori (0722107) Jurusan Teknik Elektro email: arinadiorisinaga@yahoo.com ABSTRAK Buah
Lebih terperinciPengenalan Telur Berdasarkan Karakteristik Warna Citra Yustina Retno Wahyu Utami 2)
Pengenalan Telur Berdasarkan Karakteristik Warna Citra Yustina Retno Wahyu Utami 2) ISSN : 1693 1173 Abstrak Pengenalan obyek pada citra merupakan penelitian yang banyak dikembangkan. Salah satunya pengenalan
Lebih terperinciBAB 4 PENGUJIAN DAN ANALISIS SISTEM
BAB 4 PENGUJIAN DAN ANALISIS SISTEM Bab ini akan membahas mengenai proses pengujian dari sistem yang dirancang terhadap beberapa citra dijital replika kulit. Pengujian terhadap sistem ini dilakukan untuk
Lebih terperinciBAB 4 IMPLEMENTASI DAN EVALUASI
BAB 4 IMPLEMENTASI DAN EVALUASI 4.1 Implementasi Program Aplikasi Pada bagian ini, Penulis akan menjelaskan kebutuhan spesifikasi perangkat keras dan perangkat lunak, serta menjelaskan bagaimana cara program
Lebih terperinciBAB 3 PERALATAN DAN PROSEDUR PENELITIAN
BAB 3 PERALATAN DAN PROSEDUR PENELITIAN 3.1 Material dan Peralatan Penelitian Penelitian ini menggunakan material besi silinder pejal carbonsteel setara ST 41 dengan diameter 20 mm sejumlah 10 buah sampel.
Lebih terperinciBAB 1 PENDAHULUAN. beragam produk seperti tampilan suara, video, citra ditawarkan oleh perusahaan untuk
1 BAB 1 PENDAHULUAN 1.1. Latar belakang masalah Perkembangan multimedia dalam era sekarang ini meningkat dengan pesatnya, beragam produk seperti tampilan suara, video, citra ditawarkan oleh perusahaan
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Penggunaan kamera digital sebagai alat untuk mengambil citra saat ini sudah banyak digunakan karena kepraktisannya, terkadang hasil citra memiliki tampilan
Lebih terperinciBAB V PEMBAHASAN UMUM
BAB V PEMBAHASAN UMUM Penelitian ini pada prinsipnya bertujuan untuk menghasilkan sebuah metode dan algoritma yang dapat digunakan untuk menentukan posisi tiga dimensi dari obyek pertanian, yaitu jeruk
Lebih terperinciGrafik yang menampilkan informasi mengenai penyebaran nilai intensitas pixel-pixel pada sebuah citra digital.
PSNR Histogram Nilai perbandingan antara intensitas maksimum dari intensitas citra terhadap error citra. Grafik yang menampilkan informasi mengenai penyebaran nilai intensitas pixel-pixel pada sebuah citra
Lebih terperinciBAB 1 PENDAHULUAN. memindahkan data secara manual ke dalam komputer untuk dapat diolah lebih
BAB 1 PENDAHULUAN 1.1 Latar Belakang Teknologi yang terus berkembang membuat sistem komputerisasi bergerak dengan cepat, namun hal ini tidak seimbang dengan kemampuan manusia memindahkan data secara manual
Lebih terperinciMengenal Lebih Jauh Apa Itu Point Process
Mengenal Lebih Jauh Apa Itu Point Process Faisal Ridwan FaizalLeader99@yahoo.com Lisensi Dokumen: Copyright 2003-2007 IlmuKomputer.Com Seluruh dokumen di IlmuKomputer.Com dapat digunakan, dimodifikasi
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Sebagai tinjauan pustaka, berikut beberapa contoh penelitian yang sudah dilakukan oleh para peneliti yang dapat digunakan sebagai acuan dan
Lebih terperinciBAB 3 PERANCANGAN PROGRAM. dilanjutkan dengan rancangan cetak biru untuk program yang akan dibangun.
BAB 3 PERANCANGAN PROGRAM Pada bab 3 ini, akan dijelaskan proses rancangan program aplikasi pengurangan noise pada citra digital. Dimulai dari analisa kebutuhan sistem yang akan dirancang, dilanjutkan
Lebih terperinciBAB II LANDASAN TEORI. Pengolahan Citra adalah pemrosesan citra, khususnya dengan menggunakan
BAB II LANDASAN TEORI 2.1. Citra Citra adalah gambar pada bidang dwimatra (dua dimensi). Ditinjau dari sudut pandang matematis, citra merupakan fungsi menerus dan intensitas cahaya pada bidang dwimatra
Lebih terperinci... BAB 2 LANDASAN TEORI. 2.1 Citra
6 BAB 2 LANDASAN TEORI 2.1 Citra Citra atau image adalah suatu matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Pesan terkadang mengandung sebuah informasi yang sangat penting yang harus dijaga kerahasiaannya. Ada beberapa cara yang dapat digunakan untuk
Lebih terperinciSEGMENTASI CITRA MEDIK MRI (MAGNETIC RESONANCE IMAGING) MENGGUNAKAN METODE REGION THRESHOLD
SEGMENTASI CITRA MEDIK MRI (MAGNETIC RESONANCE IMAGING) MENGGUNAKAN METODE REGION THRESHOLD Murinto, Resa Fitria Rahmawati Program Studi Teknik Informatika Fakultas Teknologi Industri Universitas Ahmad
Lebih terperinciBAB II TEORI PENUNJANG
BAB II TEORI PENUNJANG 2.1 Computer Vision Komputerisasi memiliki ketelitian yang jauh lebih tinggi bila dibandingkan dengan cara manual yang dilakukan oleh mata manusia, komputer dapat melakukan berbagai
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengenalan Citra Citra adalah suatu representasi (gambaran), kemiripan atau imitasi dari suatu objek. Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini dilakukan di Laboratorium Jaringan Komputer
BAB III METODE PENELITIAN 3.1 Waktu dan Tempat Penelitian Penelitian ini dilakukan di Laboratorium Jaringan Komputer dan Laboratorium Teknobiomedik Departemen Fisika, Fakultas Sains dan Teknologi, Universitas
Lebih terperinciBAB 3 METODOLOGI PENELITIAN
BAB 3 METODOLOGI PENELITIAN 3.1. Penentuan Masalah Penelitian Masalah masalah yang dihadapi oleh penggunaan identifikasi sidik jari berbasis komputer, yaitu sebagai berikut : 1. Salah satu masalah dalam
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Citra atau gambar merupakan salah satu komponen penting dalam dunia multimedia karena memiliki peranan penting dalam hal menyajikan suatu informasi dalam bentuk gambar
Lebih terperinciBAB III PROSEDUR DAN METODOLOGI. Pada bab ini kita akan melihat masalah apa yang masih menjadi kendala
52 BAB III PROSEDUR DAN METODOLOGI 3.1 ANALISA MASALAH Pada bab ini kita akan melihat masalah apa yang masih menjadi kendala melakukan proses retrival citra dan bagaimana solusi untuk memecahkan masalah
Lebih terperinciPENGEMBANGAN SISTEM PEROLEHAN CITRA BERBASIS ISI PADA CITRA BATIK MENGGUNAKAN METODE INTEGRATED COLOR AND INTENSITY CO-OCCURRENCE MATRIX (ICICM)
PENGEMBANGAN SISTEM PEROLEHAN CITRA BERBASIS ISI PADA CITRA BATIK MENGGUNAKAN METODE INTEGRATED COLOR AND INTENSITY CO-OCCURRENCE MATRIX (ICICM) Rima Tri Wahyuningrum *) Program Studi Teknik Informatika,
Lebih terperinci6. PENDETEKSIAN SERANGAN GULMA. Pendahuluan
6. PENDETEKSIAN SERANGAN GULMA Pendahuluan Praktek pengendalian gulma yang biasa dilakukan pada pertanian tanaman pangan adalah pengendalian praolah dan pascatumbuh. Aplikasi kegiatan Praolah dilakukan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pada saat ini penggunaan citra digital semakin meningkat karena kelebihan-kelebihan yang dimiliki oleh citra digital tersebut, di antaranya adalah kemudahan dalam mendapatkan
Lebih terperinciAdobe Photoshop CS3. Bagian 2 Bekerja dalam Photoshop
Adobe Photoshop CS3 Bagian 2 Bekerja dalam Photoshop Mengapa Photoshop? Adobe Photoshop adalah perangkat lunak yang menjadi standar dalam industri digital imaging. Sekarang, memiliki keahlian dalam menggunakan
Lebih terperinciIndarto 1, Murinto 2, I. PENDAHULUAN. Kampus III UAD Jl.Dr.Soepomo, Janturan, Yogyakarta
Deteksi Kematangan Buah Pisang Berdasarkan Fitur Warna Citra Kulit Pisang Menggunakan Metode Transformasi Ruang Warna HIS (Banana Fruit Detection Based on Banana Skin Image Features Using HSI Color Space
Lebih terperinciKLASIFIKASI CITRA BUAH JERUK KINTAMANI BERDASARKAN FITUR WARNA DAN UKURAN MENGGUNAKAN PENDEKATAN EUCLIDEAN DISTANCE
KLASIFIKASI CITRA BUAH JERUK KINTAMANI BERDASARKAN FITUR WARNA DAN UKURAN MENGGUNAKAN PENDEKATAN EUCLIDEAN DISTANCE Oleh I Ketut Deni Gunawan Jurusan Pendidikan Teknik Informatika, Fakultas Teknik dan
Lebih terperinciBab III Analisis Sistem
IV. Bab III Analisis Sistem IV.1 Deskripsi Umum Sistem Dalam penelitian ini penulis mengemukakan sistem CBIR yang diberi nama SPECKTRAL (Sistem Pencari Citra dengan Kode Fraktal). Sistem ini dikembangkan
Lebih terperinci2. TINJAUAN PUSTAKA 2.1 Telur Ayam Konsumsi
pemeriksaan terhadap ribuan telur. Dengan menggunakan alat yang secara otomatis dapat menentukan ukuran fisik sebuah telur, klasifikasi terhadap telur ayam dapat dilakukan dengan lebih cepat. Beberapa
Lebih terperinciBAB I PENDAHULUAN. mulai menopang kehidupan manusia. Teknologi merupakan sebuah hasil
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini kebutuhan akan teknologi semakin meningkat seiring dengan kemajuan dan perkembangan ilmu pengetahuan dan teknologi itu sendiri. Kemajuan teknologi dengan perkembangan
Lebih terperinciBAB 3 ANALISIS DAN PERANCANGAN PROGRAM
BAB 3 ANALISIS DAN PERANCANGAN PROGRAM Program aplikasi ini dirancang dengan menggunakan perangkat lunak Microsoft Visual C# 2008 Express Edition. Proses perancangan menggunakan pendekatan Object Oriented
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Rancangan Penelitian Pengerjaan tugas akhir ini ditunjukkan dalam bentuk blok diagram pada gambar 3.1. Blok diagram ini menggambarkan proses dari sampel citra hingga output
Lebih terperinciBAB 5 HASIL DAN PEMBAHASAN
4 BAB HASIL DAN PEMBAHASAN Ada tiga tahap utama yang dilakukan pada percobaan ini yaitu ektraksi ciri, pelatihan dan pengujian JST. Percobaan dilakukan dengan mengkombinasikan data hasil ekstraksi ciri
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN Mulai Studi Pustaka / Riset Jurnal Identifikasi Masalah/Perumusan Tujuan Desain algoritma, aplikasi dan Percobaan Pembuatan Program Aplikasi Prototipe / Percobaan Tdk Sesuai
Lebih terperinciDosen Program Studi Ilmu Komputer Universitas Pakuan Bogor
PENGENALAN KADAR TOTAL PADAT TERLARUT PADA BUAH BELIMBING BERDASAR CITRA RED-GREEN-BLUE MENGGUNAKAN PRINCIPLE COMPONENT ANALYSIS (PCA) SEBAGAI EKSTRAKSI CIRI DAN KLASIFIKASI K-NEAREST NEIGHBORHOOD (KNN)
Lebih terperinciBAB 1 PENDAHULUAN. keakuratan dari penglihatan mesin membuka bagian baru dari aplikasi komputer.
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Melihat perkembangan teknologi sekarang ini, penggunaan komputer sudah hampir menjadi sebuah bagian dari kehidupan harian kita. Semakin banyak muncul peralatan-peralatan
Lebih terperinciIII. METODE PENELITIAN
III. METODE PENELITIAN A. Waktu dan Tempat Pelaksanaan penelitian dilakukan di Laboratorium Teknik Pengolahan Pangan dan Hasil Pertanian (TPPHP), Departemen Teknik Mesin dan Biosistem, Fakultas Teknologi
Lebih terperinciAPLIKASI PENENTUAN WARNA TANAH MELALUI PENGOLAHAN CITRA DIGITAL TUGAS AKHIR. Disusun Oleh : R. Bg. Bungah Rachmad Y. NPM.
APLIKASI PENENTUAN WARNA TANAH MELALUI PENGOLAHAN CITRA DIGITAL TUGAS AKHIR Disusun Oleh : R. Bg. Bungah Rachmad Y. NPM. 0734010161 JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INDUSTRI UNIVERSITAS PEMBANGUNAN
Lebih terperinciDETEKSI NOMINAL MATA UANG DENGAN JARAK EUCLIDEAN DAN KOEFISIEN KORELASI
DETEKSI NOMINAL MATA UANG DENGAN JARAK EUCLIDEAN DAN KOEFISIEN KORELASI Marina Gracecia1, ShintaEstriWahyuningrum2 Program Studi Teknik Informatika Universitas Katolik Soegijapranata 1 esthergracecia@gmail.com,
Lebih terperinciStudi dan Eksperimen terhadap Kombinasi Warna untuk Kriptografi Visual Warna Kromatik. Ibnu Alam
Studi dan Eksperimen terhadap Kombinasi Warna untuk Kriptografi Visual Warna Kromatik Abstrak Ibnu Alam 13506024 Teknik Informatika, Sekolah Teknik Elektro dan Informatika, Institut Teknologi Bandung Jl.
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN SISTEM. Dalam pengerjaan tugas akhir ini memiliki tujuan untuk mengektraksi
BAB III ANALISIS DAN PERANCANGAN SISTEM 3.1 Model Pengembangan Dalam pengerjaan tugas akhir ini memiliki tujuan untuk mengektraksi fitur yang terdapat pada karakter citra digital menggunakan metode diagonal
Lebih terperinci