SEMINAR TUGAS AKHIR Dosen Pembimbing: Dr. Ir. Djoko Purwanto M.Eng Dr. Tri Arief Sardjono ST.MT Oleh: OKTAVIANO YUDHA N 2203.109.007 JURUSAN TEKNIK ELEKTRO FAKULTAS TEKNOLOGI INDUSTRI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA
Selama ini dalam pemanenan dan penjualan hasil panen, petani jeruk nipis masih belum melakukan pemilahan mutu yang baik sehingga harga jual sangat rendah. Sedangkan pedagang pengumpul dan industri makanan dan obat tradisional melakukan penyortiran mutu menggunakan prosedur analisa warna kulit secara visual mata manusia dengan segala keterbatasannya. Berdasarkan hal tersebut maka diperlukan suatu metode yang dapat menjamin keseragaman mutu jeruk nipis.
Tujuan umum dari penelitian ini adalah untuk menentukan mutu jeruk nipis secara non konvensional dengan pemanfaatan machine vision sebagai algoritma pengolahan citra digital. Pemakaian komputer vision sebagai eksekusi pengambilan jeruk nipis yang matang.
Membuat pemprograman computer vision guna mengolah algoritma pengolahan citra digital Merancang alat guna memilah hasil proses pengolahan citra digital.
Menggunakan kamera WEBCam sebagai penangkap gambar Sistem yang dibangun adalah berbasis computer Mendeteksi kematangan jeruk nipis berdasar perubahan warna Memilah jeruk nipis menjadi 2 katagori, yaitu matang dan busuk Gambar diambil dalam posisi normal (tegak dr atas kebawah) Pencahayaan ditempat sistem bekerja adalah tetap atau tidak berubah-ubah Pengerjaan dititikberatkan pada pengaplikasian computer vision pada sistem mekanik
Jeruk nipis dalam Famili Rutaceae, Genus Citrus dan species Citrus aurantifolia Swingle. Adapun Jeruk nipis dikenal dengan nama lain, yaitu: jeruk pecel, jeruk durga dan limau asam Jeruk nipis berasal dari daerah Indo- Malaya
Buah jeruk nipis berwarna hijau menandakan belum masak, dan akan berubah menjadi kuning kecoklat-coklatan, bentuknya bulat sampai bulat telur berdiameter ± 3-6 cm. Ketebalan kulit buahnya ± 0.2-0.5 mm dan permukaannya memiliki banyak kelenjar.
Warna merupakan hasil persepsi dari cahaya dalam spektrum wilayah yang terlihat oleh retina mata. Memiliki panjang gelombang antara 400nm sampai dengan 700nm. Warna terdapat 2 model warna, yaitu model warna berorientasi hardware dan berorientasi software.
Berikut ini adalah model warna yang berorientasi hardware: - Model RGB (red, green, blue) untuk warna monitor dan warna pada kamera video. - Model CMY (cyan, magenta, yellow) untuk model printer. - Model YIQ, digunakan untuk standard televisi. Y berkoresponden dengan luminasi, I dan Q adalah dua komponen kromatik yang disebut inphase dan quarature.
Berikut ini adalah model warna berorientasi Software (hue, saturation,brightness) adalah manipulasi : 1. Model HSV (hue, saturation, value). 2. Model HSI (hue, saturation, intensity). 3. Model HLS (hue, lightness, saturation).
Disini saya memakai model warna HSV mendefinisikan warna (Hue, Saturation dan Value). Keuntungan HSV adalah terdapat warnawarna yang sama dengan yang ditangkap oleh indra manusia. Sedangkan warna yang dibentuk model lain seperti RGB merupakan hasil campuran dari warna-warna primer.
Pada format warna RGB 24 bit, maka nilai R, G dan B masing-masing 0-255 Warna R G B Hitam 0 0 0 Merah 255 0 0 Hijau 0 255 0 Biru 0 0 255 Kuning 255 255 0 Magenta 255 0 255 Cyan 0 255 255 Putih 255 255 255 Abu-Abu 127 127 127 Orange 255 110 0 Ungu 128 0 255 Coklat 128 25 0 Pink 255 190 220 Navy 0 0 120
HSV merupakan kependekan dari Hue, Saturation, dan Value. Dimana karakteristik pokok dari warna tersebut adalah: Hue: menyatakan warna sebenarnya, seperti merah, violet, dan kuning dan digunakan menentukan kemerahan (redness), kehijauan (greeness), dsb. Saturation: kadang disebut chroma, adalah kemurnian atau kekuatan warna. Value : kecerahan dari warna. Nilainya berkisar antara 0-100 %. Apabila nilainya 0 maka warnanya akan menjadi hitam, semakin besar nilai maka semakin cerah dan muncul variasivariasi baru dari warna tersebut.
Web Cam warna PC Driver Motor Jeruk nipis Conveyor dan Pemilah Jeruk Pasar
Sistem
7 Terminal Supply JP4 2 1 HEADER 2 D10 DIO DE +12V U14 LM7805CT VCC +12V 1 Vin +5V 3 R1 RES1 + C1 + C2 GND 2 LED 1 LED Regulator J1 DB25 13 25 12 24 11 23 10 22 9 21 8 20 7D3 19 6C3 18 5D2 17 4C2 16 3D1 15 2C1 14 1 Parallel port VCC U1 4 CTE N MAX/MIN D1 5 D/U RCO C1 14 CLK 11 LOAD QA 15 A QB 1 10 B QC C QD 9 D VCC 16 SN74LS191 VCC GND 12 13 3 2 6 7 8 15 14 E 13 nable 12 VCC 16 U5 A B C D 0 1 2 3 4 5 6 7 8 9 SN74LS42 VCC GND Sistem 1 2 3 4 5 6 7 9 10 11 8 VCC V CC 14 G ND U9A 1 2 SN74LS04 U9B 3 4 U9C SN74L S04 5 6 U9D SN74L S04 9 8 Q4 IRF540N Q5 IRF540N Q7 IRF5 40N Q10 IRF5 40N Jumper enable JP? 3 2 1 HEADER 3 D6 DIO DE D7 DIODE VCC Enable D8 D9 DIO DE DIODE R2 RES1 JP1 1 2 3 4 5 6 HEADER 6 +12 V SN74L S04 IC Updown counter, decoder, inverter dan FET Rangkaian driver motor stepper
Software yang digunakan adalah Microsoft visual Studio 2008 dengan fasiltas Emgu CV yang ada. Metode RGB & HSV yang digunakan adalah menggunakan fasilitas dari Emgu CV Gambar HSV bisa didapatkan dari merubah dari gambar RGB menjadi gambar metode HSV. Dimana dari HSV ini dapat diambil nilai Hue-nya saja. Dimana nilai Hue-nya dapat menunjukkan nilai intensitas warna dan dipengaruhi dari intensitas cahaya.
saat mendeteksi buah matang saat mendeteksi buah busuk
Kondisi Buah Jumlah Buah Sample Analisa Matang 10 8 buah dikenali matang Busuk 10 7 buah dikenali busuk Random(matang+b usuk) 5 matang + 5 busuk 4 buah dikenali matang+4 buah dikenali busuk Keberhasialan pengenalan 80% 70% 80%
Updown counter
Decoder
Inverter
Dari hasil percobaan didapat keberhasilan mengenali buah matang sebesar 80% Dari hasil percobaan didapet keberhasilan mengenali buah busuk sebesar 70% Perlu didukung dengan pengaturan pencahayaan ruangan yang dijaga konstan.
Terima kasih