P. 1
No.31c KKP3T Roni Laporan Akhir RGB

No.31c KKP3T Roni Laporan Akhir RGB

|Views: 244|Likes:
Published by Niez Anisa

More info:

Published by: Niez Anisa on Apr 26, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

03/02/2015

pdf

text

original

I. PENDAHULUAN 1.1.

Latar Belakang Indonesia yang termasuk negara tropis masih mendominasi pasaran manggis di dunia bersama Thailand dan Malaysia. Berdasarkan data dari Departemen Pertanian (2004), neraca perdagangan untuk komoditi manggis cenderung mengalami peningkatan, walaupun pada tahun 2004 terjadi penurunan yang cukup banyak yang disebabkan adanya hambatan dalam produksi sebagai pengaruh perubahan iklim dimana kondisi untuk produksi manggis menjadi terganggu. Nilai perdagangan komoditi ini berdasarkan Tabel 1.1. dinilai cukup memberi arti bagi devisa negara apalagi bila dikaitkan dengan upaya Indonesia untuk menggalakkan sektor pertanian sebagai sektor andalan ekspor disamping ekspor minyak dan gas bumi.

Tabel 1.1. Neraca Perdagangan Komoditi Manggis Tahun 1999 – 2004
1999 vol (kg) ekspor impor neraca nilai (US$) ekspor impor neraca Sumber: BPS, 4.743.493 114 4.743.379 2000 7.182.098 7.182.098 2001 4.868.528 534 4.867.994 3.953.234 606 3.952.628 2002 6.512.423 1.387 6.511.036 6.956.915 1.644 6.955.271 2003 9.304.511 9.304.511 9.306.042 9.306.042 2004 3.045.379 295 3.045.084 3.291.855 202 3.291.653

3.887.816 5.885.038 236 3.887.580 5.885.038 data diolah (2004).

Kegiatan pasca panen erat kaitannya dengan mutu produk yang dihasilkan, yang pada akhirnya menentukan pula harga jual yang dapat diterima oleh petani. Selama ini petani kebanyakan menjual manggis dalam bentuk segar dengan cara penanganan pasca panen yang masih terbatas, sehingga umur konsumsinya menjadi terbatas. Pengamatan di lapangan menunjukkan bahwa Eksportir memiliki teknologi pasca panen buah manggis yang sangat baik, dimana mereka dapat mempertahankan tingkat kesegaran manggis dengan menggunakan formula bahan pengawet buah / tangkai buah dan penggunaan ruang pendingin untuk memperpanjang umur simpan buah. Disamping itu eksportir atau pedagang besar biasanya memiliki metode sortasi dan grading mutu manggis yang jauh lebih baik daripada petani, sehingga mereka memiliki daya saing produk manggis di pasaran yang jauh lebih baik dari pada petani. Dengan demikian eksportir memiliki kemampuan untuk menentukan kapan pemenuhan supply & demand pasar dapat dilakukan karena penguasan teknologi pasca panen ini.

1

Manggis (Garcinnia mangostana Linn.) merupakan salah satu komoditas buah eksotik Indonesia, sehingga kalau ditangani dengan baik, buah ini akan menjadi primadona ekspor andalan Indonesia sebagai komoditas yang dapat diandalkan sebagai penghasil devisa. Salah satu cara meningkatkan nilai ekonomis manggis terutama untuk pasar ekspor adalah dengan melakukan sortasi sebelum buah dikirim atau dijual. Sortasi adalah pemisahan bahan yang sudah dibersihkan ke dalam berbagai fraksi berdasarkan karakteristik fisik (kadar air, bentuk, ukuran berat, jenis, tekstur, warna, benda asing/kotoran), kimia (komposisi bahan bau dan rasa ketengikan) dan konsisi biologisnya (jenis dan kerusakan oleh serangga jumlah mikroba dan daya tumbuh khusus untuk benih (Sudaryanto Zain dkk., 2005). Sortasi secara umum bertujuan menentukan klasifikasi komoditas berdasarkan mutu sejenis yang terdapat dalam komoditas itu sendiri. Mutu buah manggis ditentukan oleh berbagai parameter diantaranya adalah parameter tingkat ketuaan dan kematangan (indeks warna) serta ukuran (Ana Nurhasanah dkk. 2006). Umumnya. sortasi dilakukan dengan dua cara, yaitu manual (menggunakan indera manusia) dan mekanis (menggunakan alat atau mesin). Sortasi yang dilakukan secara manual adalah sortasi yang berdasarkan warna dan kerusakan. Sedangkan yang didasarkan pada ukuran dan berat biasanya dilakukan secara mekanis. Banyak kelemahan yang dimiliki manusia manakala manusia melakukan tugas-tugas sensorik dalam kapasitas yang besar dan waktu kerja yang lama. Untuk mengetasi keterbatasan tersebut digunakan pendekatan mekanis dengan teknologi otomatisasi agar lebih efektif dan efisien. Penggunaan tenaga manusia (manual) sebagai penentu tingkat kematangan berdasarkan warna memiliki beberapa kekurangan antara lain penilaian manusia yang bersifat subyektif terhadap tingkat kematangan buah manggis. Penilaian manusia dapat berbeda dari satu penilai dengan penilai lainnya. Seorang Penilai A bisa mengatakan bahwa buah manggis yang dinilai telah memasuki tahap 4 dimana warna kulit buah merah keunguan akan tetapi Penilai B bisa mengatakan bahwa buah manggis tersebut telah memasuki tahap 5 dimana warna kulit buah manggis ungu kemerahan. Kesalahan penggolongan tingkat kematangan manggis bisa merugikan produsen atau penjual dimana tingkat kematangan tahap 4 merupakan buah untuk tujuan ekspor sedangkan tingkat kematangan tahap 5 merupakan buah untuk tujuan domestik. Jika buah manggis untuk tujuan domestik (tahap 5) dikirim untuk diekspor, maka ketika buah manggis masih dalam perjalanan ke negara tujuan buah manggis akan dalam kondisi busuk. Buah manggis yang busuk tidak akan diterima di pasar Internasional. Sehingga diperlukan para penilai yang telah

2

berpengalaman untuk dapat mengenali tingkat kematangan buah manggis dengan tepat sesuai dengan tahapan kematangan buah yang dimilikinya. Menurut Raji dan Alamutu (2005), otomatisasi merupakan suatu aksi yang dibutuhkan untuk mengendalikan proses agar diperoleh efisiensi yang optimum dengan dikendalikan oleh suatu sistem yang beroperasi dengan menggunakan instruksi tertentu dan diprogram untuk menjalankan serangkan aktivitas sesuai dengan yang diharapkan. Otomatisasi pada kebanyakan kasus akan menjadikan proses lebih cepat dan tepat dibandingkan tenaga manusia. Alternatif baru dalam penentuan mutu buah manggis berdasarkan tingkat kematangan adalah melalui interpretasi suatu citra dengan bantuan peranti komputer (software dan hardware) dengan terlebih dahulu mengambil citra buah manggis dengan suatu alat perekam atau kamera.

Software yang dimaksud adalah suatu software aplikasi yang membantu untuk dapat menetukan
tingkat kematangan buah manggis. Interpretasi citra merupakan perbuatan mengkaji foto udara atau citra dengan maksud untuk mengidentifikasi obyek dan menilai arti pentingnya obyek tersebut (Estes dan Simonett. 1975 dalam Cut Meurah, 2007). Citra dapat diartikan sebagai gambaran yang tampak dari suatu obyek yang sedang diamati sebagai hasil liputan atau rekaman suatu alat pemantau. Menurut Hornby (1974) Citra adalah gambaran yang terekam oleh kamera atau alat sensor lain. Hasil penilaian tingkat kematangan buah manggis oleh software aplikasi akan bersifat objektif. Dengan aplikasi ini pula proses penilaian nantinya bisa dilakukan secara terus-menerus (kontinyu) tidak seperti menggunakan cara manual (tenaga manusia) dimana manusia secara fitrahnya butuh istirahat. Selain itu, dengan software aplikasi komputer ini diharapkan dapat menentukan tingkat kematangan manggis dengan tepat mendekati atau sama dengan hasil penilaian dari Penilai Mutu Kematangan yang telah berpengalaman. Diharapkan dengan penelitian “Perancangan Piranti Lunak untuk Menentukan Tingkat Kematangan Manggis Dengan Metode Interpretasi Citra” ini akan dapat menghasilkan suatu

software aplikasi yang nantinya dapat menjadi salah satu komponen utama dalam sistem yang
dapat mensortasi otomatis komoditas manggis (atau buah lain) berdasarkan warna. Dengan adanya sistem penentu tingkat kematangan yang berkualitas diharapkan dapat meningkatkan citra mutu komoditas manggis Indonesia di mata internasional sehingga nilai ekspor dan atau penjualan manggis di pasar domestik Indonesia pun akan meningkat. Beberapa penelitian tentang pengolahan citra untuk berbagai buah-buahan telaha banyak dilakukan, tidak terkecuali juga buah manggis, namun dalam implementasinya, interpretasi kematangan buah yang dimaksud belum memasukkan unsur standarisasi kematangan buah yang telah ditetapkan oleh Departemen Pertanian sebagaimana tercantum dalam Standar Prosedur Operasi (SPO) manggis yang ada saat ini, sehingga penelitian yang dilakukan saat ini lebih 3

1.menenkankan kepada upaya justifikasi kematangan buah manggis yang sesuai dengan SPO yang ada. Tujuan Penelitian Penelitian ini bertujuan untuk : 1. Membuat model klasifikasi kematangan buah manggis dengan menggunakan alat bantu piranti lunak yang mampu mengenali tingkat warna yang terdapat pada citra buah manggis berdasarkan fitur warna RGB yang dihasilkan dan sesuai dengan indeks panen buah menurut tingkat kematangannya sebagaimana yang ditetapkan dalam Standar Prosedur Operasional Komoditas Manggis (Departemen Pertanian. Sehingga bermanfaat pada proses sortasi dan kendali mutu buah manggis baik pada tingkat petani maupun eksportir. 2004).2. 2. Mendapatkan metode pengklasifikasian buah manggis dengan acuan citra fitur warna RGB yang dihasilkan melalui kamera pemindai yang lebih objektif. 3. Mengatasi kerancuan dalam penilaian klasifikasi buah manggis dalam rangka penetapan mutu kematangan buah manggis akibat perbedaan persepsi para Penilai (operator sortir). Dalam jangka panjang diharapkan diperoleh suatu instrumen dan peralatan/mesin sortasi dan kendali mutu buah manggis yang efektif dan efisien sehingga bermanfaat baik secara teknis maupun ekonomis bagi perkembangan pembangunan pertanian. Pokok Permasalahan Penelitian Beberapa pokok permasalahan yang terkait dengan latar belakang penelitian ini adalah sebagai berikut : 1. 4. 2. 1. 4 .3. Penilaian manusia yang bersifat subyektif terhadap tingkat kematangan buah manggis menyebabkan penilaian tingkat kematangan manggis berbeda dari satu penilai dengan penilai yang lainnya sehingga diperlukan standardisasi kematangan buah manggis yang konsisten. Dengan demikian lebih jauh bila dikaitkan dengan indeks panen (harvest indice) buah manggis akan menunjang pada proses standarisasi buah untuk pemasaran manggis di pasar lokal dan global. Bagaimanakah kelayakan penggunaan pendekatan metode pencitraan dengan fitur warna RGB untuk mengidentifikasi kematangan buah manggis sehingga dapat dijadikan dasar untuk klasifikasi mutu berdasarkan tingkat kematangan buah.

Piranti lunak pendukung proses pengolahan citra fitur warna RGB 3. 3. Keluaran Penelitian 1. mengingat isntrumen / peralatan untuk klasifikasi dan kendali mutu buah manggis saat ini belum ada di pasaran.4. diharapkan dalam jangka panjang akan diperoleh keluaran berupa model fisik rancangan sistem instrumen dan peralatan yang diharapkan dapat siap diterapkan untuk skala komersial.1.1.4. Keluaran Jangka Panjang Apabila penelitian ini layak untuk ditindak lanjuti. Keterkaitan antara standarisasi produk dengan mutu dan penerimaan produk di mata konsumen adalah sebagai berikut : 5 . Dengan demikian hasil penelitian ini potensial untuk mendapat paten ataupun paten sederhana Secara umum penelitian ini berkaitan dengan pengembangan metodologi dalam menunjang teknologi proses identifikasi dan klasifikasi buah manggis berdasarkan warna yang selama ini belum dilakukan penelitian baik di dalam maupun di luar negeri. terutama berat. 4.2. baik nasional maupun internasional 1. Sehingga penelitian budidaya dan pasca panen komoditas ini terbatas pada negara yang menghasilkannya. Keluaran Tahun Berjalan Keluaran untuk tahun berjalan (2007) dari hasil penelitian ini adalah : 1. Kelayakan metode pengolah citra berbasis fitur warna RGB untuk klasifikasi mutu buah manggis 2. sesuai dengan apa yang terdapat pada Standar Prosedur Operasi pasca panen buah manggis adalah sortasi dan penentuan mutu buah menurut klasifikasi tertentu. diameter buah dan warna buah.4. Publikasi hasil penelitian pada jurnal ilmiah. yaitu : 1. Kelayakan ekonomi sistem yang dirancang sehingga memudahkan untuk proses komersialisasi di masa datang manakala hasil penelitian ini layak secara teknis maupun ekonomi. 2. Hal ini disebabkan karena beberapa hal. Salah satu kegiatan pasca panen manggis yang paling mendasar untuk dilakukan pada tingkat petani. Buah manggis merupakan buah tropika yang hanya tumbuh berkembang terutama di daerah tropis. Budidaya manggis pada tingkat petani di Indonesia belum diikuti dengan penanganan pasca panen yang baik sehingga harga jual buah segar pada tingkat petani rendah.

Mutu Produk dan Penerimaan Produk di Mata Konsumen 4. Mengingat saat ini proses klasifikasi dilakukan secara manual dan kasat mata.Standarisasi Produk Efisiensi Proses Pengolahan Efektivitas Pengolahan Mutu Produk Penerimaan Produk di Mata Konsumen Gambar 1. 5. Dengan adanya pengembangan metode pengklasifikasian buah manggis berdasarkan warna diharapkan akan memberikan nilai tambah berupa standarisasi warna buah manggis yang dapat dijadikan dasar untuk waktu optimum pemanenan dan penanganan buah sebelum di pasarkan. Klasifikasi berdasarkan warna ini akan membantu memudahkan pada proses penetapan mutu produk selanjutnya terutama menurut ukuran diameternya.1. pada akhirnya berdampak pada ketidak konsistenan dalam penetapan standar produk yang pada gilirannya keseragaman mutu produk tidak terjamin. Klasifikasi buahbuahan pada dasarnya dapat dilakukan berdasarkan beberapa besaran fisik dan kimia sebagaimana pada gambar berikut : 6 . Hubungan Standarisasi.

sehingga pengembangan metode pengklasifikasian berdasarkan warna akan memberikan informasi penting bagi perancangan instrumen dan peralatan / mesin sortasi dan kendali mutu buah manggis yang lebih efektif dan efisien di masa yang akan datang.KLASIFIKASI PRODUK Berat Ukuran Dimensi Warna Rasa Sifat Fisik / Kimia Lainnya STANDARISASI PRODUK MUTU PRODUK Gambar 1. 7. 7 . Klasifikasi Produk Pertanian dalam Kaitannya dengan Standarisasi dan Mutu 6. yakni program pengembangan teknologi pengolahan untuk meningkatkan efisiensi pengolahan dan mutu produk pertanian. Kegiatan klasifikasi buah manggis yang telah banyak dilakukan oleh petani berdasarkan gambaran di atas baru sebatas berdasarkan berat dan ukuran dimensinya saja.2. Hasil dari penelitian ini memiliki sasaran strategis yang berkesesuaian dengan program prioritas dari Balai Besar Penelitian dan Pengembangan Pasca Panen Pertanian.

Pada bagian pangkal buah terdapat “calyx” (daun buah) dan pada bagian ujung terdapat 4 – 8 tonjolan berbentuk segitiga (triangle). Dari Asia Tenggara. Dengan pangsa pasar utama adalah Taiwan dan Hongkong (Departemen Pertanian.78o C tanaman ini tidak dapat tumbuh.1.44o C dan di atas 37. Warna kulit manggis ungu-kecoklatan dipetik apabila tujuan pasar adalah dalam negeri atau lokal.9 ribu ton pada tahun 2002 meningkat menjadi 7. wasir dan luka. kayu bakar/ kerajinan. masa panen biasanya terjadi pada bulan Maret hingga Juli setiap tahunnya. Buah manggis dapat disajikan dalam bentuk segar. Sentra produksi manggis di Indonesia antara lain di Jawa Barat. Berdasarkan data. Jawa Tengah. Manggis ( Garcinia mangostana L. Batang pohon dipakai sebagai bahan bangunan. Hawaii dan Australia Utara. Manggus (Lampung). Jawa Timur. Pada daerah bertemperatur di bawah 4.2 ribu ton pada tahun 2003. karena cepat mengalami pembusukan atau kerusakan terutama yang disebabkan oleh kerusakan fisiologis. Pemetikan buah manggis tidak dilakukan bersamaan untuk setiap pohon. Pemetikan dilakukan secara manual dan selektif yaitu terhadap kulit buah yang telah berwarna merahkecoklatan.4 – 7. Manggusto (Sulawesi Utara). volume ekspor manggis Indonesia dari tiga tahun terakhir terus mengalami peningkatan dari 6. Kulit buah dimanfaatkan sebagai pewarna termasuk untuk tekstil dan air rebusannya dimanfaatkan sebagai obat tradisional. Daging buah berwarna putih susu. Secara tradisional buah manggis adalah obat sariawan. dibuat sirop/sari buah. Tanaman ini hanya dapat tumbuh baik pada daerah beriklim tropis (ultra-tropical) dengan ketinggian < 450 m di atas permukaan laut.II. merah-keunguan atau ungu-kecoklatan. 2004). Lampung. Buah manggis termasuk buah musiman. Diameter buah berkisar antara 3. yaitu hutan belantara Malaysia atau Indonesia.) merupakan salah satu komoditas buah eksotik Indonesia sebagai promadona ekspor yang menjadi andalan Indonesia untuk meningkat pendapatan devisa. Karibia. Manggis (Garcinnia mangostana Linn. Pembibitan pada suhu 7. Pada bagian luar perikarp sering didapati/menempel 8 . TINJAUAN PUSTAKA 2. Sumatera Barat dan Nagroe Aceh Darussalam. Buah manggis ini juga termasuk buah klimakterik. tanaman ini menyebar ke daerah Amerika Tengah dan daerah tropis lainnya seperti Srilanka.5 cm. sebagai buah kaleng. Malagasi. terdiri dari bagian perikarp (kulit luar) dan daging buah yang menyelimuti biji. Manggista (Sumatera Barat). Di Indonesia manggis disebut dengan berbagai macam nama lokal seperti manggu (Jawa Barat).22o C dapat mengakibatkan kematian benih/bibit. ) Manggis merupakan tanaman buah berupa pohon yang berasal dari hutan tropis yang teduh di kawasan Asia Tenggara. Buah manggis berbentuk bulat.

fruktosa) sebesar 16.80 0.0 0. protein dan lemak dan vitamin. Pada buah matang penuh terkandung senyawa xanthone.6 14.1 – 0. 1987.0 – 5.2 – 84. Penyimpanan pada suhu 4. glukosa.60 0.1. buah manggis termasuk rendah kalori. di atas.23 0.03 1.1 0.42 – 16. Kondisi tersebut dapat mempertahankan kualitas selama 20 – 25 hari.6 16.01 – 8.0 9 . namun jumlah seratnya termasuk cukup tinggi. dan mangostin.getah kering berwarna kuning dan ungu.02 – 12. Kadar gula total (sukrosa. Pada buah berumur muda daging buah berasa asam.0 – 2. Jumlah daging buah dicirikan dengan jumlah triangle. gartannin. Komponen Kalori (Kal) Air (g) Protein (g) Lemak (g) Karbohidrat (g) Gula Total (sukrosa.42 – 16. Komposisi buah manggis per 100 gram bagian yang dapat dimakan dapat dilihat pada Tabel 2.1.3 – 15. penyimpanan buah manggis dilakukan pada kondisi kering.44 – 12.2 – 0.20 – 0.5 cm dan lebar 1. Pada suhu kamar hanya dapat bertahan paling lama 14 hari. Pada bagian perikarp terdapat senyawa xanthone dan tannin yang bersifat antimikroba.0 0. berbentuk oval. Biji buah kadang-kadang tidak seluruhnya didapati pada daging buah.78o C dapat mempertahankan kesegaran buah manggis selama 3 – 4 minggu. dingin dan tertutup.50 – 0. Tabel 2. J.1. 8-disoxygartanin dan normangostin yang bersifat antioksidan.6 cm. terdapat pula senyawa tanin dan resin sebesar 7 – 14 %.82 5.82 % dari total karbohidrat. Untuk mempertahankan kualitas. polyhydroxy-xanthone. fruktosa) (g) Serat kasar (g) Abu (g) Kalsium (mg) Posfor (mg) Besi (mg) Thiamin (mg) Vitamin C (asam askorbat) (mg) Sumber : Morton. semakin matang berasa manis. Penyimpanan Jumlah 60 – 63 80. Komposisi Buah Manggis per 100 gram bagian yang dapat dimakan.9 0. glukosa. Daging buah ini berukuran panjang 2. Dari Tabel 2. Selain senyawa-senyawa di atas.

Buah dapat dipetik untuk tujuan ekspor. Citra. Buah sesuai untuk pasar domestik dan siap saji. Buah disarankan dapat dipetik untuk tujuan ekspor. Buah sudah masak. 2006). scanner.2. Warna kulit buah merah keunguan. merupakan fungsi menerus (continue) dari intensitas cahaya pada bidang 2 dimensi. Sedangkan tingkat kematangan manggis berdasarkan indeks warna berdasarkan Standar Prosedur Operasional komoditas manggis dapat dilihat pada Tabel 2. 10 . Sumber cahaya menerangi objek. kamera. Buah mulai masak dan siap dikonsumsi. Interpretasi Citra Menurut definisi yang dikemukakan Idhawati (2007). Warna kulit buah ungu kemerahan. Isi buah masih sulit dipisahkan dari daging. misal mata manusia. Isi buah masih sulit dipisahkan dari daging.. Mutu buah manggis ditentukan oleh berbagai parameter diantaranya adalah parameter tingkat ketuaan dan kematangan (indeks warna) serta ukuran (Ana Nurhasanah dkk.2. Buah hamper tua dan getah mulai berkurang. Tingkat Kematangan Buah Manggis Berdasarkan Indek/Tahapan Gambar Ciri warna buah kuning kehijauan.89 – 5. buah belum tua dan getah masih banyak. objek memantulkan kembali sebagian dari berkas cahaya tersebut dan pantulan cahaya ditangkap oleh alat-alat optik. sensor satelit. dsb.pada suhu 3. Buah lebih sesuai untuk pasar domestik. Kulit buah masih sedikit bergetah. Tabel 2. dari sudut pandang matematis. Kulit buah masih bergetah. Getah telah hilang dan isi buah mudah dilepaskan. kemudian direkam. Citra yang terlihat merupakan cahaya yang direfleksikan dari sebuah objek.2. kulit buah masih banyak mengandung getah dan buah belum siap dipetik. Sumber: Departemen Pertanian (2004) 2. Isi buah sudah dapat dipisahkan dari daging kulit. Buah belum siap dipanen. Isi buah sudah dapat dipisahkan dari daging kulit dan buah dapat dikonsumsi. Warna kulit buah hijau kekuningan. Warna kulit buah ungu kehitaman.56o C dengan kelembaban 85 – 90 % dapat mempertahankan kualitas hingga 49 hari. Warna kulit buah merah kecoklatan. Warna kulit buah kuning kemerahan dengan bercak merah hampir merata.

Tahapan Pencitraan.1. Contoh : beberapa foto rontgen digunakan untuk membentuk ulang gambar organ tubuh 6. Adanya cacat pada citra sehingga perlu dihilangkan/diminimumkan (image restoration) contoh : penghilangan kesamaran (debluring) citra tampak kabur karena pengaturan fokus lensa tidak tepat / kamera goyang. Pengolahan Citra dan Analisis Citra Sumber : Idhawati (2007) Selanjutnya Idhawati (2007) mengemukakan bahwa operasi-operasi pada pengolahan citra perlu diterapkan apabila : 1. kamera sinar-x/sinar infra merah. Contoh : pendeteksian tepi objek 5. penghilangan noise 3. Citra perlu dimampatkan (image compression). Operasi ini berkaitan erat dengan pengenalan pola. penajaman. pemberian warna semu. perbaikan tepian objek. Gambar 2. kamera digital. Diperlukannya ekstraksi ciri-ciri tertentu yang dimiliki citra untuk membantu dalam pengidentifikasian objek (image analysis). Selengkapnya tahapan pencitraan hingga manfaat akhirnya dapat dilihat pada gambar berikut. dll. 4.Istilah lain yang muncul dari citra adalah Pencitraan (imaging) yakni merupakan kegiatan mengubah informasi dari citra tampak/citra non digital menjadi citra digital. Menyembunyikan data rahasia (berupa teks/citra) pada citra sehingga keberadaan data rahasia tersebut tidak diketahui orang (steganografi & watermarking) 11 . Perbaikan atau memodifikasi citra dilakukan untuk meningkatkan kualitas penampakan citra/menonjolkan beberapa aspek informasi yang terkandung dalam citra (image enhancement) contoh : perbaikan kontras gelap/terang. Sebagian citra perlu digabung dengan bagian citra yang lain (image reconstruction). Untuk memperbaiki kualitas citra agar mudah diinterpretasikan oleh manusia/mesin atau komputer dilakukan proses pengolahan citra. dicocokan atau diukur (image segmentation). Elemen dalam citra perlu dikelompokkan. Beberapa alat yang dapat digunakan untuk pencitraan adalah : scanner. contoh : suatu file citra berbentuk BMP berukuran 258 KB dimampatkan dengan metode JPEG menjadi berukuran 49 KB 7. dll 2. Proses segementasi kadangkala diperlukan untuk melokalisasi objek yang diinginkan dari sekelilingnya.

homogenitas.Gambar 2. yaitu : model warna RGB (Red Green Blue). Karena persepsi warna berasal dari kepekaan sel dalam retina yang berbeda-beda terhadap bagian-bagian spektrum yang berlainan. Magenta. Pengolahan citra yang dikembangkan dalam hal ini mengacu pada umur petik dan warna buah yang ditampilkan. saturasi. 12 . yaitu: spectral reflectance (menentukan bagaimana suatu permukaan memantulkan warna). intensitas.(2006). Saturation. spectral content (kandungan warna dari cahaya yang menyinari permukaan) dan spectral response (kemampuan merespon warna dari sensor dalam imaging system). Warna merupakan faktor penting dalam proses identifikasi suatu objek. CMY(K) (Cyan. Istilah warna bisa juga merujuk kepada sifat objek-objek atau bahan-bahan yang ditentukan oleh jenis panjang gelombang yang dipantul dihantar atau dipancar. Selanjutnya dikemukakan pula bahwa ada beberapa model warna yang dapat digunakan sebagai dasar pengidentifikasian tersebut.7%. persepsi warna dalam pengolahan citra tergantung pada tiga faktor. Contoh Operasi Pengolahan Citra untuk Pendeteksian tepi Objek Sumber : Idhawati (2007) Pengolahan citra pada dasarnya erat kaitannya dengan pengolahan warna. Intensity). Menurut Zainul Arham. dkk. Metode yang digunakan menekankan kepada parameter hasil pengolahan citra sebagai data masukan seperti area. Ana Nurhasanah.2. warna bisa ditakrifkan melalui tahap perangsangan sel-sel itu oleh panjang gelombang cahaya. dimana warna adalah merupakan sifat cahaya yang ditentukan oleh panjang gelombang (atau berdasarkan kandungannya sebagai paduan beberapa panjang gelombang). menggunakan pendekatan pengolahan citra dan jaringan syaraf tiruan untuk menentukan cara sortasi buah manggis tanpa merusak buah (non destructive test) berdasarkan tingkat ketuaan dan tingkat kematangannya. YcbCr (Luminasie dan dua komponen krominasi Cb dan Cr) dan HSI (Hue. kontras. Yellow). hue. Panjang gelombang nampak untuk cahaya dikenal dengan spektrum nampak atau dapat disebut spektrum saja. (2004). entropi dan energi dengan tingkat keakuratan penentuan ketuaan dan kematangan buah manggis hingga 93. dkk.

Untuk penelitian murni. Citra digital merupakan fungsi intensitas cahaya f(x. 13 . pcx dan format lainnya. Menurut Este dan Simonett (1975) dalam Cut Meurah (2007).y). matriks dimana indeks baris dan kolomnya menyatakan suatu titik pada citra tersebut dan elemen matriksnya (yang disebut sebagai elemen gambar / piksel / pixel / picture element / pels) menyatakan tingkat keabuan pada titik tersebut. Interpretasi citra merupakan perbuatan mengkaji foto udara atau suatu citra dengan maksud untuk mengidentifikasi obyek dan menilai arti pentingnya obyek tersebut. Terdapat berbagai macam format penyimpanan citra dalam bentuk file untuk memudahkan proses pengolahan citra terutama bila menggunakan perangkat lunak atau software komputer. yaitu perekaman data dari citra dan penggunaan data tersebut untuk tujuan tertentu.y) merupakan tingkat kecemerlangan citra pada titik tersebut. Pada dasarnya interpretasi citra terdiri dari dua kegiatan utama. data yang diperoleh dari citra digunakan untuk analisis dalam bidang tertentu. Karena tanpa pengenalan identitas dan jenis obyek. 2. yakni dengan metode pendekatan fuzzy logic yang digunakan untuk tujuan pengklasifikasian terutama untuk proses pengideraan jarak jauh.3. Sedangkan untuk penelitian terapan. Salah satu kelemahan ini telah dicoba dikurangi dengan berbagai metode salah satunya yang dikembangkan oleh Muhammad Ramdhan (2006). kajiannya diarahkan pada penyusunan teori dan analisisnya digunakan untuk penginderaan jauh. jpg. tif. Karakteristik yang tergambar pada citra dan digunakan untuk mengenali obyek disebut unsur interpretasi citra. pengenalan obyek merupakan bagian yang sangat penting. Format penyimpanan citra digital yang biasa digunakan antara lain seperti : bmp. Format BMP dalam hal ini merupakan format yang membutuhkan kapasitas simpan data yang tinggi sehingga kurang efisien.Kendala dalam interpretasi citra secara otomatis adalah subjektifitas dalam menginterpretasi citra. maka obyek yang tergambar pada citra tidak mungkin dianalisis. dimana harga x dan y merupakan koordinat tersebut Disamping itu citra digital merupakan suatu spasial dan harga fungsi pada setiap titik (x. Prinsip pengenalan obyek pada citra didasarkan pada penyelidikkan karakteristiknya pada citra. Menurut Idhawati (2007) sistem perekaman citra dapat dilakukan dengan melalui proses yang dinamakan dengan perekaman citra digital. Interpretasi Citra dengan Piranti Lunak Komputer Citra yang digunakan dalam penelitian pengembangan aplikasi interpretasi citra seringkali menggunakan bahasa pemograman komputer baik bahasa tingkat tinggi (advance language tool programming) maupun bahasa tingkat rendah (assembler). gif. Dalam menginterpretasi citra.

Dengan demikian. Visual C++. Dimana “Red” = warna minimal putih. Setiap warna dasar ini mempunyai intensitas sendiri dengan nilai maksimum 255 (8 bit). Misal warna kuning yang merupakan kombinasi antara warna merah dan hijau akan memiliki nilai RGB-nya sama dengan [255 255 0]. warna maksimal biru. Visual Basic. namun salah satu diantaranya memiliki “toolbox” yang lengkap untuk digunakan sebagai alat bantu dalam pengolahan citra fitur warna suatu objek. Photoshop. Ada banyak piranti lunak komputer yang dapat digunakan untuk proses pengolahan citra diantaranya Mathlab. Kemudian warna ungu muda yang merupakan kombinasi warna merah dan biru sehingga nilai RGB-nya sama dengan [150 0 150].Selanjutnya Idhawati (2007) mengemukakan bahwa setiap titik (pixel) pada citra warna mewakili warna yang merupakan kombinasi dari tiga warna dasar yaitu merah hijau dan biru atau dikenal dengan istilah citra fitur warna RGB (Red Green Blue). 14 . warna maksimal merah. kemudian “Green” = warna minimal putih. warna maksimal hijau dan “Blue” = warna minimal putih. Masing-masing piranti lunak memiliki kelebihan dan kekurangan. Corel Draw dan masih banyak yang lainnya. setiap titik pada fitur warna yang ditampilkan akan membutuhkan data sebanyak 3 byte dengan jumlah kemungkinan 24 kombinasi warna 2 atau lebih dari 16 juta warna (sering disebut sebagai “true color” karena dianggap mencakup semua warna yang ada).

3.1. Uji coba sistem dan evaluasi kelayakan sistem yang telah dibuat. PROSEDUR KERJA 3. Waktu dan Tahapan Penelitian Penelitian dilaksanakan dari bulan Juni hingga Oktober 2007 dengan beberapa tahapan sebagai berikut : 1. Penelitian pendahuluan ini dilaksanakan di Koperasi Arta Mukti. 3.1. Penelitian pendahuluan untuk mendapatkan cara pengklasifikasian kematangan buah manggis yang saat ini banyak dilakukan petani di lokasi contoh. 2. Ikhtisar selengkapnya rancangan penelitian yang telah dilakukan adalah sebagaimana disajikan pada Tabel 3. Kabupaten Tasikmalaya. 15 .III. Fakultas Teknologi Industri Pertanian. Universitas Padjadjaran. Penelitian mengenai rancang piranti lunak pemindai citra fitur warna RGB yang dihasilkan dari contoh buah manggis yang diamati akan dilaksanakan di Laboratorium Sistem & Manajemen Keteknikan Pertanian. Kampus Unpad Jatinangor-Sumedang. yang merupakan gabungan kelompok tani manggis di kecamatan Puspahiang.2. Metode Penelitian Penelitian ini menggunakan pendekatan motode deskriptif analitik melalui perancangan piranti lunak (software) pengolah citra fitur warna RGB yang akan digunakan dalam mengidentifikasi pola sebaran warna RGB buah manggis dari mulai tingkat kematangan 0 hingga 6 sesuai dengan Standar Prosedur Operasi (SPO) yang dikeluarkan oleh Departemen Pertanian.

pengolah citra fitur . Bahan dan Alat Penelitian Bahan dan alat yang digunakan dalam penelitian ini adalah sebagai berikut : 1.3. berupa gambaran : .Penilaian tingkat kematangan manggis dengan cara manual dan kemungkinan kelayakan dengan metode identifikasi fitur warna RGB .Uji kinerja metode pencitraan dengan fitur warna RGB untuk identifikasi kematangan buah manggis sehingga dapat dijadikan dasar untuk klasifikasi mutu berdasarkan tingkat kematangan 1. 2.Tabel 3. 1 URAIAN Masalah Penelitian TAHAPAN PELAKSANAAN .warna RGB 2. Bahan penelitian yang digunakan adalah buah manggis segar yang masih berwarna hijau dengan waktu pemetikan 3 hari setelah panen dari kebun manggis di Puspahiang Tasikmalaya.Klasifikasi menurut citra fitur warna RGB buah yang dipindai . Uraian dan Pentahapan Pelaksanaan Penelitian No. Peralatan yang digunakan untuk proses pengolahan citra buah manggis ini antara lain : 16 . Jumlah sampel manggis yang diamati adalah sebanyak 76 buah sampel dengan interval waktu perekaman fitur warna RGB objek (manggis) dilakukan tiap hari sampai 11 hari setelah panen.Rancangan piranti lunak pengolah citra fitur warna RGB Observasi / survey dan uji laboratorium Uji Statistik & Validasi Model 1.1. Model Deskriptif. Piranti lunak 3. Variabel Penelitian : . Analisis ekonomi model sistem Solusi atas standarisasi dan manajemen mutu buah manggis 2 Model dan Variabel Penelitian 3 4 5 6 Teknik Pengumpulan Data Teknik Pengolahan Data Hasil Analisis dan Interpretasi Data Generalisasi dan Rekomendasi 3.Klasifikasi buah cara manual .kinerja & kelayakan . Kelayakan metode 2.teknis metode .

Kertas karton putih dan warna hitam d. Kamera Charge Coupled Device (CCD Camera) dengan spesifikasi sebagai berikut : • • • • • • • • Produsen Tipe/seri Sensor Jumlah Piksel : Telview : ST205 Color CCD Camera : CCD 1/3 inchi. 2 buah lampu PL warna Putih (11 W / 12 V / 50 Hz). 17 .a. 6500 K c. : 500(horizontal) x 582(vertikal) PAL : 0.0 mm Pencahayaan Minimum Resolusi Catu Daya Lensa Gambar 3.1. Perangkat lunak Microsoft Visual Basic Version 6. dengan spesifikasi sebagai berikut : • • • • • Produsen Daya : Philips : 11 watt Jumlah Lampu : 2 buah Jenis Lampu : PL Jenis Cahaya : Day light.5 lux : 640 x 480 : 12 Volt DC. 120 mA : 8. Kamera CCD yang Digunakan Dalam Penelitian b.0 yang dioperasikan pada Microsoft Windows XP Professional.

e. Kamera diletakkan di bagian atas kotak instrument pemindai sebagaimana Gambar 3. dengan posisi sudut pencahayaan 45°. Proses olah digital dari fitur warna RGB tersebut kemudian dilakukan dengan gabungan piranti lunak.0 sebagai piranti lunak penghubung antara Visual Basic dengan Mathlab dalam menginterpretasikan citra warna RGB f. Citra buah manggis yang diletakkan dalam instrument pengolah citra direkam dengan ukuran pixel hasil pencitraan : 640 x 480 piksel dan tingkat intensitas cahaya RGB: 256 3. Perangkat lunak Visual C++ Version 6. Visual Basic. 2. Sedangkan lampu yang digunakan untuk sumber penerangan atau pencahayaan kamera tersebut adalah lampu PL-neon warna putih (merk Philips) dengan dilengkapi penyetabil daya (stabilizer). Prosedur Penelitian Prosedur penelitian ini mengikuti beberapa langkah sebagai berikut : 1.2.4. Citra manggis yang direkam kemudian disimpan dalam file dengan ekstensi JPG dengan kapasitas 19 – 27 kb. Pengolahan citra dilakukan melalui kamera CCD dengan jarak rekam 30 cm. Manggis diletakkan di atas kotak instrument yang tertutup dan diberi pelapis dari kain hitam dengan warna dasar bidang pemotretan adalah warna putih. Posisi lampu dapat diletakkan di atas kotak penyimpanan objek bisa juga disimpan dibagian dalam kotak objek dengan terlebih dahulu memberikan lapisan penyaring atau filter cahaya lampu dari bahan kertas tipis (misal kertas HVS 70 gram) yang dimaksudkan untuk menahan cahaya agar tidak langsung mengarah kepada objek karena dikhawatirkan akan menimbulkan bayangan dan penampakan warna pantul silau pada objek yang direkam. Visual C++ dan Mathlab sedemikian rupa setiap obyek (buah manggis) yang direkam dengan kamera akan dapat ditampilkan nilai RGB nya secara langsung pada layar dan dapat disimpan dalam file berekstensi JPG dan dapat ditransformasi dalam bentuk nilai RGB yang tersimpan dalam file microsoft excel 18 . 4. Perangkat lunak Mathlab 7 Release 14 g. Perangkat lunak Microsoft Office XP Professional 3.

hijau (green) dan biru (blue). Hasil analisis regresi dari data sampel yang memiliki nilai koefisien korelasi ataupun koefisien determinasi yang terbesar (di atas 80%) diambil sebagai acuan untuk menentukan klasifikasi buah manggis menurut warna sebagaimana terdapat pada standar prosedur operasi manggis dari Departemen Pertanian.2.Gambar 3. Data fitur warna RGB yang diperoleh tiap hari hingga hari ke 11 kemudian di analisis dengan menggunakan regresi dan korelasi untuk masing-masing tampilan warna Merah (red). Susunan Peralatan Perekam Citra Fitur Warna RGB dari Objek 5. 19 .

yang dalam implementasinya terdiri dari beberapa kelompok bahasa (Sutedjo. Bahasa pemrograman dalam hal ini berfungsi sebagai media untuk menyusun dan memahami serta sebagai alat komunikasi antara pemrograman dengan komputer itu sendiri. Fortran.1. Bahasa tingkat tinggi (High Level Language) Yaitu bahasa pemrograman yang memiliki aturan – aturan gramatikal dalam penulisan ekspresi atau pernyataan dengan standar bahasa yang dapat dipahami secara langsung oleh manusia. Pada perancangan piranti lunak untuk mengolah citra warna dari buah manggis pada penelitian ini digunakan bahasa yang berorientasi objek agar prosesnya lebih mudah dan sederhana.IV. Bahasa ini kemudian akan menggunakan paket – paket tersebut untuk memecahkan permasalahan itu. Contoh dari bahasa tingkat rendah adalah bahasa Assembly (Assembler). b. Power Basic. Cobol. dan lain – lain. 20 . Bahasa tingkat menengah (Middle Level Language) Yaitu bahasa pemrograman yang menggunakan aturan – aturan gramatikal dalam penulisan ekspresi atau pernyataan dengan standar bahasa yang mudah dipahami oleh manusia serta memiliki instruksi – instruksi tertentu yang dapat langsung dapat diakses oleh komputer. c. Visual Basic. Visual FoxPro. 2000). Contoh dari bahasa tingkat menengah adalah Bahasa C. Borland Delphi. d. dimana programmer harus dapat berfikir berdasarkan logika mesin komputer. Contohnya adalah bahasa Pascal. Bahasa berorientasi objek (Object Oriented Language) Yaitu bahasa pemrograman yang mengandung paket yang berisi fungsi – fungsi untuk penyelesaian suatu masalah. Rancangan Piranti Lunak Pengolah Citra Fitur Warna RGB Untuk mendapatkan suatu rancangan piranti lunak yang dapat mengolah fitur warna RGB diperlukan serangkaian instruksi yang memuat prosedur dengan urutan tertentu yang dapat diimplementasikan dengan menggunakan apa yang dinamakan dengan bahasa pemrograman komputer. antara lain seperti : a. Java. Contoh bahasa pada tingkat ini adalah bahasa C++. HASIL DAN PEMBAHASAN 4. Pada bahasa ini pemrogram tidak lagi harus menuliskan secara detail semua pernyataan dan ekspresi seperti bahasa tingkat tinggi melainkan cukup dengan memasukan kriteria – kriteria yang dikehendaki saja. Bahasa tingkat rendah (Low Level Language) Yaitu Bahasa pemrograman yang berorientasi pada mesin.

Hijau dan Biru (Red. 8.1. Menentukan langkah pemecahan masalah berdasarkan data warna RGB yang dihasilkan 3. Menentukan komponen warna yang paling dominan dan paling besar koefisien korelasi atau koefisien determinasinya untuk memprediksi umur kematangan buah manggis sejak dipetik 9. Tampilan Antar Muka Perintah Merekam Citra Warna Buah 21 . Data rata-rata harian untuk tiap warna RGB kemudian dianalisis dengan menggunakan regresi dan korelasi untuk melihat keeratan hubungan diantara komponen warna R. Blue atau RGB) 6. Membuat standar klasifikasi warna buah menurut acuan dasar yang telah ada 4. 7. sehingga waktu pengamatan kematangan buah sebenarnya dimulai dari hari ke 3 hingga ke 11 setelah petik. Pengamatan dalam hal ini dilakukan selama 9 hari setelah buah manggis yang dijadikan sampel tersebut dipanen. Mengumpulkan sampel data warna RGB untuk kemudian merata-ratakan tiap komponen warna menurut hari pengamatan. Green. Gdan B tersebut. Menyajikan nilai prediksi umur kematangan menurut kelas Standar Prosedur Operasi manggis yang ada Hasil tampilan antar muka piranti lunak yang telah dibuat adalah sebagaimana disajikan pada gambar berikut. Merekam data citra warna buah dengan menggunakan kamera CCD 5. Gambar 4. Mengolah citra warna ke dalam kelompok bagian warna Merah.Langkah-langkah sistematis yang ditempuh dalam hal ini adalah sebagai berikut : 1. Sampel yang diperoleh dalam penelitian ini telah berumur 2 hari setelah petik. Mendefinisikan permasalahan umum yang harus dipecahkan 2. untuk kemudian dipilih komponen warna yang paling besar nilai koefisien korelasi atau koefisien determinasinya (r atau R2 nya).

Perintah menyimpan citra warna RGB yang telah direkam 4. standar kematangan dan umur kematangan buah yang diamati (Gambar 4.2. Gambar 4. Elemen Perintah dan Hasil Proses Pencitraan 22 . Perintah mengolah citra warna RGB dari objek 5. Data hasil proses pengolahan citra kemudian dapat disimpan dalam folder file tertentu sesuai yang diinginkan. Setelah objek direkam dan diolah citra akan diperoleh nilai RGB. Menjalankan atau memberhentikan kamera (on – off camera) 2. Perintah keluar dari program Pada saat kamera sudah dihidupkan. kemudian objek yang diamati telah disimpan di depan kamera terlebih dahulu dilakukan kalibrasi warna latar objek untuk memberikan hasil pencitraan yang terbaik dan bayangan yang sekecil mungkin.2.Pada bagian antar muka (menu) pilihan proses dalam piranti lunak yang dirancang terdapat beberapa perintah dasar yaitu : 1. Perintah merekam gambar citra objek yang diamati 3.). Program yang dibuat dalam hal ini telah dapat mengeleminasi kemungkinan adanya pengaruh bayangan tersebut.

Tampilan antar muka untuk proses olah data citra yang telah ada tersebut adalah sebagai berikut. Tampilan Pengolah Data Sebelum data Dimasukkan Gambar 4. Hasil pengolahan citra warna dari data gambar ke tampilan nilai RGB pada menu perintah ini sama dengan hasil olah citra pada menu sebelumnya. Tampilan Pengolah Data Saat Pengambilan Data Dilakukan 23 . Gambar 4.4.3.Piranti lunak yang dibuat juga dilengkapi fasilitas untuk mengolah data citra manggis yang telah direkam sebelum (proses pengolahan citra dengan data gambar yang telah terekam sebelumnya).

6. 24 . tahap kelas kematangan dan umur kematangan diukur setelah panen (setelah buah dipetik). Tampilan Pengolah Data Setelah Olah File Citra Dilakukan Pada bagian akhir tampilan pengolah data akan muncul informasi berkaitan dengan nilai RGB dari citra yang ditangkap.Gambar 4. Mengenai struktur program yang dibuat selanjutnya dapat dilihat pada lampiran.5. Tampilan Pengolah Data Saat Data Gambar Telah Masuk Gambar 4.

Proses Identifikasi Kematangan Buah Manggis Sebagai Dasar Perancangan Piranti Lunak Pengolah Citra Fitur Warna RGB Proses identifikasi kematangan buah manggis dengan menggunakan piranti lunak dapat dilakukan dengan berdasarkan pada nilai keeratan hubungan diantara nilai kedalaman warna citra Merah.74 R2 = 0.4.6.61 R2 = 0.6.2. Atas dasar fenomena ini kemudian dilakukan pendugaan dengan menggunakan model regresi untuk melihat keeratan hubungan antara penurunan derajat warna R.6663 Y R2 25 .4.27 6 138.52 128.35 123.1.50 9 126.2. Tabel 4.44 118.1.9.75 123.75 122.12 R2 = 0. Dari perhitungan dapat diketahui model persamaan regresi penduga umur kematangan menurut masing-masing fiturwarna yang ditampilkan sebagaimana disajikan pada Tabel 4.75 93. Rata-rata Nilai RGB Buah Manggis Menurut Umur Setelah Pemetikan Hari Setelah Petik Red 3 158.37 138. Hasil pengamatan menunjukkan bahwa rata-rata nilai RGB dari buah manggis yang diamati selama 9 hari menunjukkan penurunan sebagaimana ditunjukkan oleh Tabel 4. kemudian memberikan gambaran model penduga komposisi warna yang dapat dijadikan acuan pendeteksi kematangan buah manggis.61 90.41 10 106.41 8 136.91 Data selengkapnya disajikan pada lampiran Green 146. Hijau dan Biru (RGB) yang ditampilkan oleh masing-masing sampel buah manggis yang menjadi objek pengamatan. G dan B terhadap umur kematangan buah.07 4 169.9057 X + 153.11 110.81 160.8019 Model Regresi Penduga Kematangan Menurut Warna Biru (Blue) Y = .55 Blue 131.2.54 113. G dan B Model Regresi Penduga Kematangan Menurut Warna Merah (Red) Y = .8495 Model Regresi Penduga Kematangan Menurut Warna Hijau (Green) Y = . Model Regresi Penduga Kematangan Buah Manggis Menurut Fitur Warna R.31 149.34 11 119. Perbandingan komposisi warna RGB yang ditunjukkan pada tiap umur kematangan buah manggis setelah pemanenan dalam hal ini komposisinya senantiasa berubah setiap hari.81 5 152.1.5704 X + 172.7 – 4.46 127.38 108.9156 Hasil analisis data Tabel 4.6149 X + 185.62 7 141. dan Gambar 4.07 111.70 114. Tabel 4.

Grafik Hubungan Antara Nilai Derajat Kedalaman Warna Hijau (Green) Terhadap Hari Setelah Pemetikan Buah 26 .8495 Gambar 4.8495 mengindikasikan bahwa sebesar 84.5784x + 172.Dengan mengacu pada koefisien determinasi (R2) yang terbesar.95% derajat kematangan ditentukan oleh perubahan warna merah.71 R2 = 0. Dengan nilai R2 = 0.7. Hal ini dikarenakan dari ketiga model yang ada.6149x + 185. model regresi yang diduga kuat memiliki keeratan hubungan antara warna dengan kematangan adalah model regresi menurut warna merah (Red).8. koefisien determinasi (R2) untuk warna merah adalah yang paling besar. Grafik Hubungan Antara Nilai Derajat Kedalaman Warna Merah (Red) Terhadap Hari Setelah Pemetikan Buah Fitur Warna Hijau (Green) Berdasarkan Hari Kematangan 180 160 140 120 green 100 80 60 40 20 0 0 2 4 6 hari 8 10 12 y = -6.12 R2 = 0. Fitur Warna Merah (Red) Berdasarkan Hari Kematangan 180 160 140 120 Red 100 80 60 40 20 0 0 2 4 6 Hari 8 10 12 y = -6.8019 Gambar 4.

66 152. selanjutnya dapat ditentukan nilai prediksi kematangan menurut hari setelah buah dipetik. Grafik Hubungan Antara Nilai Derajat Kedalaman Warna Biru (Blue) Terhadap Hari Setelah Pemetikan Buah Dengan menggunakan dasar model regresi penduga kematangan yang paling mungkin (dalam hal ini model untuk fitur warna merah).59 118.05 145.51 171.6663 Gambar 4.61 R2 = 0.9057x + 153. Besarnya nilai kedalaman fitur warna merah menurut model penduga adalah sebagaimana disajikan pada Tabel 4.Fitur Warna Biru (Blue) Berdasarkan Hari Kematangan 160 140 120 100 Blue 80 60 40 20 0 0 2 4 6 Hari 8 10 12 y = -4.3.97 112.3. Tabel 4.89 165.9.43 138.36 27 .20 125.28 158. Nilai Pendugaan Fitur Warna Merah Menurut Hari Setelah Buah Dipetik Dengan menggunakan Model Regresi Penduga Warna Merah Hari Setelah Buah Dipetik 1 2 3 4 5 6 7 8 9 10 11 Nilai Fitur Warna Merah (Red) 178.82 132.

36 Piranti lunak yang dibuat dalam hal ini akan menterjemahkan nilai-nilai di atas range warna merah tertinggi dengan kategori buah dengan tingkat kematangan = buah mentah.3. Sedangkan untuk nilai-nilai di bawah range terendah dikategorikan sebagai buah terlalu matang 4.61 140.81 <112.51 169.06 178.71 150.3.26 140. dengan ketentuan sebagai berikut : Range data Jumlah Kelas Interval : 66.4. Hal-hal tersebut antara lain : 28 .71 121.15 :7 : 9. Kelayakan Metode Pengolah Citra Berbasis Fitur Warna RGB Dengan melihat beberapa hasil uji coba baik secara statistik maupun penampilan gambar pada komputer dapat diketahui kelayakan teknis untuk penggunaan metode pengidentifikasian mutu buah manggis menurut umur kematangan setelah buah dipetik.2.81 131. apabila akan digunakan pada proses rancang bangun alat sortasi atau grading buah manggis di masa yang akan datang.26 112.) adalah : Tabel 4. masih ada beberapa hal yang perlu mendapat perhatian agar dalam penggunaanya tidak terjadi kesalahan.61 169.06 150.Data dari Tabel 4.16 159. Pada dasarnya metode ini layak untuk dapat digunakan sebagai bagian dari interpretasi sensorik warna yang dapat digunakan pada rancangan alat pengolah citra untuk pengklasifikasian mutu buah manggis.51 159.16 131. Walapun demikian. Nilai Kisaran Warna Merah Untuk Kelas kematangan Buah Mentah Kelas 0 Kelas 1 Kelas 2 Kelas 3 Kelas 4 Kelas 5 Kelas 6 Terlalu Matang Nilai Kisaran Warna Merah (Red) >178.36 121.45 Nilai kisaran warna untuk kelompok kelas menurut umur kematangan buah manggis sebagaimana tercantum dalam SPO manggis (lihat Tabel 2. pada implementasinya. tersebut selanjutnya dapat digunakan sebagai pedoman atau acuan untuk menentukan kelas mutu menurut SPO manggis dari Departemen Pertanian.

3.per EURO). maka lampu tersebut yang sebaiknya dipilih. Hal ini dibuktikan dengan uji validasi dengan menggunakan data buah yang dipindai bukan buah manggis.750. Estimasi Kelayakan Ekonomi Sistem yang Dirancang Pada bagian akhir dari penelitian ini belum dapat dilakukan evaluasi kelayakan ekonomi dari sistem yang dirancang secara tepat mengingat penelitiannya belum dilakukan. Kalibrasi warna dasar (warna putih) harus dilakukan sebelum memulai pengidentifikasian fitur warna RGB. Hal ini untuk mengurangi efek bayangan yang agak mengganggu pada tampilan layar monitor komputer.4. 29 .500 EURO atau sekitar Rp. 12. Berdasarkan infromasi yang diperloleh dari situs di internet (Scorpion.500... Warna yang dijadikan acuan untuk pengidentifikasian umur kematangan buah manggis berdasarkan keeratan hubungannya menurut model regresi yang digunakan adalah warna merah. 43. 4. Jenis lampu penerangan yang digunakan pada instrumen pengolah citra akan sangat menentukan kualitas gambar dan fitur warna RGB yang dihasilkan.(kurs Rp. Oleh karena itu untuk tahapan pengembangan sistem di masa yang akan datang perlu dilakukan penelitian lanjutan dengan pembanding metode pengklasifikasian dan berbagai varietas buah manggis yang dijadikan objek pengamatan. 4.000. Hasil dari pengelompokkan buah menurut umur kematangan buah yang didasarkan metode kelas interval menurut pengelompokan biasa (himpunan crisp) sebagaimana yang dilakukan dalam penelitian ini tidak akan sama persis bila dilakukan dengan menggunakan metode pengklasifikasian menurut himpunan fuzzy. hasil identifikasi kematangannya tidak sesuai. Buah yang direkam atau dipindai dengan kamera hanya untuk buah manggis. 2007). Pemilihan lampu dilakukan dengan menyesuaikan (kalibrasi) hasil tampilan gambar dengan bagan warna (Color Chart) standar.1. 5. Artinya. meskipun dalam struktur program telah dilakukan proses filtrasi noise atau kesalahan karena adanya bayangan tersebut. harga satu set peralatan sejenis harganya diperkirakan mencapai 3. piranti lunak tidak valid dalam memberikan informasi umur kematangan buah karena dasar acuan pengelompokkannya menggunakan fitur warna buah manggis. Namun walaupun demikian berdasarkan harga perkiraan biaya produksi sistem yang dirancang dibandingkan dengan harga peralatan sistem pengolah citra yang ada di pasaran saat ini diperkirakan harganya akan lebih murah daripada yang ditawarkan di pasaran. 2. Apabila efek pencahayaan dari lampu yang digunakan memberikan warna yang paling mendekati bagan warna standar.

500 43. meskipun beberapa komponen harus membeli dari luar karena tidak diproduksi di Indonesia.500.5.com (2007). Berikut adalah perbandingan harga unit pengolah citra untuk proses klasifikasi mutu yang dirancang dengan produk luar negeri.000 Tabel 4.000 Sumber : www.000 27.500.000 4.250 3.000.000 5.000 7. Tabel 4. Estimasi Biaya Produksi Instrument Pengolah Citra untuk Pengklasifikasian Mutu NO 1 2 3 4 5 6 7 PERALATAN YANG DIPERLUKAN CCD Camera High Grade dual lense Image Graber Komputer dengan VGA compatible Multimedia Core Duo Actuator Solenoid pengatur gerak Step motor listrik pemilah mutu produk untuk 3 kelas Rangkaian mekanik otomatisasi & Box Biaya perakitan & finishing Estimasi Biaya Produksi Sistem Instrument ESTIMASI HARGA (RP) 3. Seperti rangkaian mekanik dan box pemilah dan rangkaian elektonik.500. bila dibandingkan dengan membeli dari luar negeri.6.Dengan kondisi ini kemungkinan besar terdapat keunggulan komparatif dari sisi harga produksi apabila sistem dibuat sendiri.scorpionvision. Hal ini dimungkinkan karena ada beberapa komponen peralatan yang dapat dibuat sendiri dengan biaya yang lebih murah.000 2.000 3.000.750.000.500. Harga Peralatan “Machine Vision” Produk Luar Negeri untuk Klasifikasi Mutu NO 1 2 3 4 5 6 7 8 9 10 11 PERALATAN YANG TERPASANG unibrain firewire camera ccd camer accessories interface card Fire cable & accessories Mounting lenses frame graber Standar IO device Ilumination Calibration grid Vision PC TOTAL (dalam EURO) TOTAL (dalam Rupiah) HARGA (EURO) 150 825 50 50 50 150 230 325 360 60 1. 30 . Dari perbandingan kedua model instrument tersebut secara ekonomi diperkirakan bahwa harga produk yang dirancang sendiri akan lebih ekonomi dibandingkan dengan produk dari luar negeri.000.000 1.

2. Berdasarkan hasil penelitian di laboratorium dapat diketahui bahwa dengan menggunakan metode proses pengolahan citra dengan aplikasi fitur warna RGB pada buah manggis ini secara teknis dapat digunakan metoda alternatif pengganti penilaian indra manusia yang bersifat subyektif dalam mengukur tingkat kematangan buah manggis menurut standar ukuran mutu menurut warna yang didasarkan atas standar prosedur operasi manggis yang telah ditetapkan oleh Departemen Pertanian. KESIMPULAN 1. 3. 5. Piranti lunak yang dibuat mampu untuk mengenali tingkat warna yang terdapat pada citra buah manggis berdasarkan fitur warna RGB yang dihasilkan dan sesuai dengan indeks panen buah menurut tingkat kematangannya sebagaimana yang ditetapkan dalam Standar Prosedur Operasional Komoditas Manggis dari Direktorat Tanaman Buah. Penggunaan metode pencitraan dengan fitur warna RGB untuk mengidentifikasi kematangan buah manggis ini secara teknis layak untuk digunakan sebagai dasar klasifikasi mutu buah manggis menurut tingkat kematangan buah dari sejak buah manggis tersebut dipanen. Hasil uji coba sistem peralatan pengolah citra fitur warna RGB ini menunjukkan konsistensi dalam menilai kematangan buah manggis menurut ukuran lama waktu setelah buah manggis tersebut dipanen. Departemen Pertanian. Dalam jangka panjang diharapkan diperoleh suatu instrumen dan peralatan/mesin sortasi dan kendali mutu buah manggis yang efektif dan efisien sehingga bermanfaat baik secara teknis maupun ekonomis bagi perkembangan pembangunan pertanian. Dengan demikian hal ini menunjang indeks panen (harvest indice) buah manggis yang sangat diperlukan pada proses penentuan kematangan buah yang akan diekspor ke luar negeri. 6. yang dilengkapi dengan kamera CCD sebagai penangkap objek.V. 31 . sehubungan dengan terbatasnya umur konsumsi manggis karena pengaruh lingkungan (klimaterik). 4. Metode yang digunakan dalam proses identifikasi dan penilaian klasifikasi buah manggis menurut umur kematangan buah manggis dapat mengantisipasi kerancuan yang mungkin terjadi bila dilakukan dengan cara manual dengan mengandalkan indra manusia akibat perbedaan persepsi para penilai (operator sortir). Model klasifikasi kematangan buah manggis dengan pengolah citra fitur warna RGB ini dapat dilakukan dengan menggunakan bantuan piranti lunak berbasis komputer yang telah dibuat.

Beberapa kendala yang perlu diantisipasi untuk penelitian lanjutan yang akan datang adalah bagaimana merancang perangkat alat dalam satu sistem terpadu secara otomatis dengan menggunakan sistem pengelompokkan kelas mutu menurut umur kematangan dengan teknik kendali fuzzy (fuzzy control system). Sehingga pengidentifikasi mutu manggis menjadi terhambat karena keterbatasan ini.VI. mengingat dalam penelitian ini pengklasifikasian masih dilakukan berdasarkan metode cacah waktu secara eksak tidak dengan cara fuzzy. Hasil penelitian ini akan bermanfaat manakala dapat dilanjutkan hingga tuntas sehingga dapat diperoleh rangkaian sistem peralatan pengklasifikasian mutu manggis baik berdasarkan umur kematangan. berat dan ukurannya. Sehingga diharapkan pengembangan kedepan akan lebih menyempurnakan sistem peralatan yang dirancang. Apabila ditindaklanjuti hal ini akan memberikan satu manfaat potensi HAKI dalam perancangan instrumentasi dalam penentuan mutu buah manggis. Kendala lain adalah sulitnya mendapatkan sampel buah manggis yang akan diamati sebagai objek dalam penentuan standar mutu yang diharapkan mengingat manggis hanya berbuah satu tahun sekali dengan periode waktu panen yang sangat singkat (1 – 2 bulan saja). Oleh karenanya diperlukan penelitian lanjutan untuk sampel manggis yang berbeda varietasnya. Apabila buah manggis yang digunakan varietasnya berbeda. diduga bahwa ini akan memberikan hasil yang tidak sama. serta piranti lunak komputer yang mengolah citra objek yang direkam dan ditetapkan batas kelas mutunya menurut umur kematangannya. PERKIRAAN DAMPAK HASIL KEGIATAN Hasil penelitian ini lebih jauh dapat diaplikasikan di lapangan setelah disempurnakan dengan merancang alat terpadu antara komputer. instrument pengolah citra (dilengkapi kotak pemindai dengan kamera CCD dan unit pengatur masukan dan keluaran obyek yang direkam gambarnya secara otomatis). 32 .

33 .J. 1997. Prospects Of Computer Vision Automated Sorting Systems In Agricultural Process Operations In Nigeria. Elex Media Computindo: Jakarta Departemen Pertanian. 20 Desember 2006.com/2007/09 Citra. Penginderaan Jauh. Taub.go. Modul Pelajaran Geografi. (1987) Fruits of Warm Climates. Academic Press. P (Ed) 1998.id : 4 November.90 KP dengan Alat Bantu SIG. I. O. Burdock. Alamutu. Encydopedia of Food and Color Additives. 1975. Miami. Oxford Univ. 2000. Kemal. von dan Swarstz S. 09:56.VII. Cut Meurah. Vol. Dapat diakses melalui situs : elcom. N. Universitas Padjadjaran: Sumedang Prihatman. Dewobroto. Departemen Tehnik Geodesi FTSP-ITB Parbowo. A. Color : origin. 2006. S. Inc. DAFTAR PUSTAKA Ana Nurhasanah. stability. Di dalam Food Storage Stability. Pengembangan Algoritma Pengolahan Citra Dan Jaringan Syaraf Tiruan Untuk Menentukan Tingkat Kematangan Manggis. 2002. Statistik Ekspor Impor Pertanian. Wiryanto. USA Muhammad Ramdhan. 2007. R. Manggis (Garcinia mangostana L. Inc.M. Direktorat Tanaman Buah Departemen Pertanian. 2007. CRC Press. New York. Pengolahan http://idhaclassroom. New York Hornby. A. Alikasi Sain dan Teknik dengan Visual Basic 6. A. 2006. Agricultural Engineering International: the CIGR Journal of Scientific Research and Development”. New York.php/1/materi/Geografi/ PENGINDERAAN%20JAUH.R (Ed) 1996. 2004. G. Suroso Dan Usman Ahmad. FL. Press. O.). Diakses Melalui Situs Internet : Morton. Suyogo. Jakarta. Jakarta. Plant Pigments.H. Colorants Di dalam Food Chemistry. London. February 2005.A. Fennema. Invited Overview.: Guide to Patterns and Usage in English. 1998. 1996.umy.pdf Dydesdale. 2006. 2005. 2004. Sigit B.ac. Flavors and Textures : The Chemistry and Biochemistry of Selected Compounds. J. Inc. Skripsi Penerapan Logika Fuzzy pada Penilaian Mutu Teh Hitam Ortodox. O. Diakses Melalui : Http://mekanisasi . measurement and quality.0. 2007.litbang. Elbe. Idhawati Hestiningsih.deptan. J. STTIS: Bandung Prayudo. VII. dan Singh. Peningkatan Interpretabilitas Citra Dengan Fuzzy Logic Fungsi ‘S’ Untuk Keperluan Klasifikasi. M.id/elschool/muallimin_muhammadiyah/file. Standar Prosedur Operasi. BAPPENAS: Jakarta Raji. Marcel and Dekker. 1979. BPS. F.A. 2005. Eskin. New York. Tesis Master. CRC Press LCC. Biro Pusat Statistik. Skripsi Aplikasi Monitoring Jalur Pipa PERTAMINA Balongan-Plumpang 0-28.

Modul Kuliah. Scorpion Vision Software.com. Penerbit Andi: Yogyakarta Usmad Ahmad. Rod. Implementasi. Stephens. Evaluasi Mutu Jeruk Nipis (Citrus Aurantifolia Swingle) Dengan Pengolahan Citra Digital Dan Jaringan Syaraf Tiruan. 2007. Wiley Computer Publishing: USA Sudaryanto Zain. B. Teknologi Pengolahan Pasca Panen Biji-bijian. Usman Ahmad. Pengembangan Mesin Sortasi Otomatis Untuk Mangga Menggunakan Pengolahan Citra Dalam Pemutuan.81-87. Suroso. 2004. Aplikasi. Dadi Rusendi. Michael. 2000. Visual Basic Graphic Programming: hands-On Aplications and Advanced Color Development. Laporan Penelitian Hibah Bersaing. International Pricelist – Scorpion Vision Component.scorpionvision. Dapat Diakses Melalui : www. Prosiding Semiloka Teknologi Simulasi Dan Komputasi Serta Aplikasi 2004. 34 . 2005. I Wayan Budiastra. Fakultas Teknologi Industri Pertanian.Scorpion. Syarifah Nurjanah. Zainul Arham. 2003. Universitas Padjadjaran. Sutedjo. Algoritma dan Teknik Pemograman: Konsep. 1999. pp.

Ir. MT. Peneliti Madya 35 . Ir.MS Gol.1 080068203 IV a / Pembina / 080114374 Jabatan Fungsional Lektor Jabatan Struktural Sekretaris Divisi TTG LPM UNPAD PD III FTIP UNPAD Staf BB Litbang Pasca Panen Pertanian Staf BB Litbang Pasca Panen Pertanian Bidang Keahlian Sistem & Manajemen Keteknikan Pertanian Teknologi Pasca Panen Teknologi Hasil Pertanian Teknologi Pasca Panen Alokasi Waktu 15 jam per minggu 15 jam per minggu 14 jam per minggu 14 jam per minggu Lektor Muda Peneliti Madya Agus Supriatna Somantri. Personalia Peneliti Nama Lengkap dan Gelar Dr. Ir.Roni Kastaman. Ir.Lampiran 1./Pangkat NIP IV a / Pembina 131653089 III c / Penata 130890582 IV b / Pembina Tk. Marsetyo. MS Sunarmani.

id : Jl. HP Pendidikan (S1 ke atas) No. Ir.Lampiran 2.17 C Bandung Batununggal Indah : Bandung : 40266 : 022 – 7566 744 : 022 – 7566 744 : tikakiki@yahoo.Roni Kastaman. Universitas Padjadjaran : Kampus UNPAD Jatinangor. Waas A No. Jl. : 131 653 089 : Bandung/20 Januari 1963 : Laki-laki : Sistem & Manajemen Keteknikan Pertanian : Fakultas Teknologi Industri Pertanian – Jurusan Teknik Industri Pertanian. MT. Raya Jatinangor Km 21 : Bandung : 40600 : 022 – 779 5780 : 022 – 779 5780 : teknotan@unpad. ITB IPB Kota & Negara Bandung Christchurch New Zealand Bandung Bogor 1992 1999 Teknik Industri Teknik Pertanian Tahun Lulus 1985 1988 Bidang Studi Teknik Pertanian Master Teaching : Dr.com : 0815 622 5774 36 . Biodata Peneliti Utama Nama Lengkap NIP Tempat/Tanggal Lahir Jenis Kelamin Bidang Keahlian Kantor/Unit Kerja Alamat Kantor Kota Kode Pos Telepon Faksimile E-mail Alamat Rumah Kota Kode Pos Telepon Faksimile E-mail No.ac. 1 2 3 4 Perguruan Tinggi UNPAD LINCOLN UNIV.

id : Jl. 1 2 Perguruan Tinggi UNPAD UNPAD Kota & Negara Bandung Bandung Tahun Lulus 1978 1998 Bidang Studi Teknologi Hasil Pertanian Teknik Pasca Panen : Marsetyo.Lampiran 3. MS : 130890582 : Kebumen. Biodata Anggota Peneliti 1 Nama Lengkap NIP Tempat/Tanggal Lahir Jenis Kelamin Bidang Keahlian Kantor/Unit Kerja Alamat Kantor Kota Kode Pos Telepon Faksimile E-mail Alamat Rumah Kota Kode Pos Telepon Faksimile E-mail No. 8 Cijambe Indah. Ujungberung : Bandung : 40619 : 022 . 26 September 1951 : Laki-laki : Teknologi Pasca Panen : Fakultas Teknologi Industri Pertanian – Jurusan Teknik Industri Pertanian. Ir. Universitas Padjadjaran : Kampus UNPAD Jatinangor. HP Pendidikan (S1 ke atas) No.ac. Wijayakusuma II No. Jl.7801174 ::: 08157122075 37 . Raya Jatinangor Km 21 : Bandung : 40600 : 022 – 779 5780 : 022 – 779 5780 : teknotan@unpad.

Pondok Gede. HP : Pondok Jatimurni. 12. Ir. 2. Jawa Barat. Perguruan Tinggi (S1) Universitas Gajah Mada (S2) Universitas Gajah Mada Kota & Negara JogyakartaIndonesia JogyakartaIndonesia 1988 Teknologi Pangan dan Gizi Tahun Lulus 1982 Bidang Studi Teknologi Pascapanen 38 . Kampus Penelitian Pertanian. 350920 : (0251) 321762 : bb_pascapanen@yahoo. 8 Januari 1955 : Perempuan : Teknologi Pascapanen (Peneliti Madya) : Balai Besar Penelitian dan Pengembangan Pascapanen Pertanian : Jl.Lampiran 4. Tentara Pelajar No. 17. Bekasi. Biodata Anggota Peneliti 2 Nama Lengkap NIP Tempat/Tanggal Jenis Kelamin Bidang Keahlian Kantor/Unit Kerja Alamat Kantor Kota Telepon Faximile E-mail : Sunarmani. Cimanggu : Bogor : (0251) 321762. Blok K No. 1. : Pondok Gede : 021-8445404 : : 0251 321762 : 0811195014 Pendidikan S1 ke atas No. MS : 080 068 203 : Solo.com Alamat Rumah Kota Telepon E-mail Faximile No.

Indonesia Tahun Lulus 1987 Bidang Studi Teknologi Pertanian : Ir. 1.114. 3 Juli 1964 : Pria : Sistem dan manajemen : Balai Besar Litbang Pascapanen Pertanian :Jl.374 : Sukabumi. HP Pendidikan (S1 ke atas) No. Tentara Pelajar 12 Kampus Penelitian Pertanian Cimanggu : Bogor Kode Pos : 16114 : (0251) 321 762 : (0251) 321 762 : assomantri@yahoo. Biodata Anggota Peneliti 3 Nama Lengkap NIP Tempat/Tanggal Lahir Jenis Kelamin Bidang Keahlian Kantor/Unit Kerja Alamat Kantor Kota Telepon Faksimile E-mail Alamat Rumah Kota Telepon Faksimile E-mail No.com : Perumahan Mekarsari Permai A2/22 RT03/08 Cicurug : Sukabumi : (0266) :( ) : assomantri@yahoo.com : 0813 1074 1772 Kode Pos : 43359 39 . Agus Supriatna Somantri : 080. Perguruan Tinggi IPB Kota & Negara Bogor.Lampiran 5.

823 143.5944 127.665 150.583 156.024 179.855 174.415 169.195 187.575 95.737 119.7 141.373 141.833 159.433 161.914 B 105.898 174.587 149.255 179.65 135.355 169.086 76.754 107.666 139.628 179.807 115.6772 186.95 133.3352 166.327 171.69 175.307 144.202 165.665 125.682 151.894 148.311 144.996 132.934 162.9937 119.626 112.046 152.749 190.59 140.044 137.79 181.195 117.637 170.304 163.62 153.743 171.249 136.4572 99.221 142.162 177.685 178.959 143.842 112.603 163.533 184.033 184.29 175.306 70.451 147.375 151.361 63.811 150.474 99.894 164.676 160.001 192.772 171.556 150.454 137.082 111.792 158.985 123.902 141.35 126.548 151.881 130.5817 100.3563 127.176 112.905 158.495 173.896 163.292 159.714 128.832 116.329 126.376 181.356 40 .554 154.072 G 130.396 134.183 172.816 158.35 101.387 174.027 186.484 179.305 191.908 123.573 162.415 136.296 188.972 83.678 115.658 156.387 123.944 175.862 136.779 127.986 179.182 98.54 197.908 152.358 143.273 185.916 184. Data RGB Hasil Pengolahan Citra untuk Hari Pengamatan Ke 1 Tanggal Pengamatan : 9 Agustus 2007 Ulangan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 R 138.387 180.781 153.429 187.Lampiran 6.213 172.049 143.734 92.301 172.257 165.275 101.209 154.105 191.341 113.986 80.182 152.136 191.567 161.176 142.377 166.3062 98.638 130.764 112.

773 124.763 173.413 155.949 180.285 163.591 193.589 76.297 144.74 157.786 186.75 167.814 154.6106 173.772 154.1799 75.031 186.778 97.251 97.647 110.3525 170.766 93.452 192.237 113.7949 163.429 192.544 147.402 156.717 138.2077 76.471 139.423 185.304 169.249 175.8819 97.688 93.4939 198.413 180.752 81.925 140.723 201.375 149.921 168.763 166.3396 169.47 111.372 146.462 59.046 96.233 158.4891 94.438 134.532 104.041 124.283 186.4147 118.032 168.785 169.136 186.5109 120.878 175.886 167.94 79.866 139.675 126.5672 74.4895 120.454 121.912 178.48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 Rata-rata 194.531 152.626 76.342 138.0079 138.685 117.874 131.183 122.983 150.6132 93.3087 41 .324 113.449 159.764 94.757 172.423 167.8107 185.866 108.314 158.468 88.414 180.0685 187.955 177.

Lampiran 7.398 158.003 146.555 182.163 182.622 191.578 185.066 148.646 141.614 162.013 172.315 122.824 171.358 159.532 135.429 169.664 141.869 180.588 159.242 136.177 163.928 157.269 180.661 143.265 167.11 176.537 155.011 166.069 170.465 158.31 184.579 164.486 127.296 165.433 178.947 186.887 172.819 126.36 128.186 146.682 169.478 159.429 159.383 108.982 127.594 183.685 131.236 141.088 172.465 137.889 164.113 G 162.926 141.216 177.795 201.537 161.404 180.73 119.889 194.408 174.716 161.189 196.786 174.883 191.252 165.814 202.612 131.647 116.159 150.765 169.123 169.74 189.302 180.415 168.725 146.513 147.085 178. Data RGB Hasil Pengolahan Citra untuk Hari Pengamatan Ke 2 Tanggal Pengamatan : 10 Agustus 2007 R 170.818 179.506 147.549 161 156.997 151.441 160.593 174.942 160.416 181.996 199.881 184.361 157.579 193.029 B 148.689 151.91 188.475 164.627 124.323 148.663 160.809 153.008 189.9781 163.688 169.883 152.426 138.079 171.096 166.377 165.455 181.691 149.22 163.938 154.445 170.362 152.32 168.233 91.729 111.474 190.343 186.854 183.679 172.82 199.811 177.239 152.923 157.817 139.91 151.959 158.635 160.493 172.662 166.193 173.284 105.763 165.867 166.624 174.951 187.107 136.755 173.132 202.253 147.474 176.384 191.054 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 42 .

268 174.135 193.675 178.137 146.019 159.387 163.625 181.337 173.398 169.178 161.4589 43 .71 166.204 177.025 152.074 161.142 116.118 163.092 180.753 143.621 170.67 149.095 172.408 165.9061 106.626 136.013 145.766 133.061 132.431 160.322 92.525 185.928 184.645 152.042 135.011 158.041 127.315 158.961 189.674 171.819 180.8087 133.674 118.215 191.499 135.761 114.365 102.796 176.218 170.221 177.825 179.254 175.511 171.177 184.42 129.943 107.482 155.832 163.92 179.746 185.265 157.3738 130.018 123.7366 101.556 177.697 163.264 189.472 163.382 177.165 77.892 184.44 180.82 116.48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 Rata-rata 150.507 173.89 167.902 138.4 177.256 166.658 150.987 149.912 151.023 145.459 160.5904 173.308 164.582 88.307 148.289 99.899 168.662 172.476 187.

088 165.5844 139.337 159.009 120.85 178.8494 119.881 G 154. Data RGB Hasil Pengolahan Citra untuk Hari Pengamatan Ke 3 Tanggal Pengamatan : 11 Agustus 2007 Ulangan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 R 162.738 149.23 145.211 161.394 168.865 85.017 159.23 125.Lampiran 8.8145 147.056 109.415 128.16 149.439 160.663 148.386 175.847 169.052 148.458 95.356 126.067 171.384 134.146 142.891 164.74 121.223 148.725 133.107 157.638 134.552 133.733 68.441 44 .751 153.729 126.602 145.507 158.952 139.2048 124.05 95.009 129.332 117.24 169.929 B 131.07 150.122 138.209 126.1425 122.0785 174.2733 126.686 150.846 161.228 177.322 150.741 169.474 160.323 174.061 96.533 96.931 113.37 149.783 178.601 168.883 128.71 166.916 128.961 194.415 165.1891 129.05 147.943 130.389 137.001 99.476 161.195 174.8066 120.933 174.36 147.555 117.15 98.492 128.911 136.949 141.82 160.201 185.686 185.168 132.854 151.254 179.268 166.933 140.609 101.741 178.827 126.551 146.033 90.895 125.048 150.523 169.886 166.273 101.646 122.471 152.606 146.121 143.809 122.748 156.025 144.186 148.2913 111.46 150.759 112.666 115.405 88.289 127.063 180.369 119.377 113.751 161.645 136.086 146.171 166.528 138.275 122.188 77.279 146.107 143.498 145.331 171.701 146.749 170.336 163.085 151.36 152.256 145.68 164.03 130.

802 154.2804 113.817 165.772 115.209 161.05 165.91 114.7542 126.615 102.714 69.329 145.558 151.128 151.48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 Rata-rata 135.657 132.26 156.39 129.009 172.572 112.887 125.753 192.829 126.956 153.339 145.854 127.679 118.022 72.405 141.436 119.512 104.486 137.123 124.2532 117.158 135.409 134.857 114.973 147.761 116.079 134.283 125.177 100.822 149.442 169.712 134.4384 128.188 139.732 103.744 131.924 125.392 133.324 127.545 141.426 152.323 185.54 92.65 121.843 94.471 163.857 121.191 145.145 108.523 93.637 134.187 108.01 106.382 142.429 138.518 148.437 177.261 147.65 142.057 152.5 134.291 127.106 168.159 138.124 155.1126 102.962 122.2744 126.596 134.003 154.5364 45 .9829 113.241 163.659 180.623 143.258 172.196 166.49 151.647 156.

123 142.401 126.078 159.717 114.289 55.426 89.643 150.9446 139.469 160.702 102.041 126.397 120.3 95.207 113.268 147.328 178.386 136.622 98.335 135.398 153.6027 120.254 144.419 136.677 85.353 141.3034 151.4327 139.6946 115.1862 44.339 158.245 123.825 115.4115 130.806 158.206 71.713 94.675 168.755 111.536 116.604 130.391 98.594 132.8737 155.705 116.783 144.285 181.082 164.558 154.911 46 .6632 110.411 141.754 120.5438 50.Lampiran 9.407 G 161.088 123.382 122.374 80.1016 115.249 123.885 173.844 142.7829 79.509 108.616 149.01 161.012 102.7925 125.6986 116.68 169.5042 142.574 84.63 132.018 113.862 145.554 153.11 136.063 114.4323 110.026 112.909 133.586 B 147.678 112.397 109.716 70.413 136.248 109.779 159.22 123.809 130.8502 99.2223 111.865 142.026 143.521 152.449 155.701 147.932 81.963 154.704 128.88 116.701 100.902 94.769 97.314 158.413 77.18 152.204 129.468 139.593 110. Data RGB Hasil Pengolahan Citra untuk Hari Pengamatan Ke 4 Tanggal Pengamatan : 12 Agustus 2007 Ulangan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 R 166.8664 137.204 119.423 119.938 89.144 148.195 137.212 136.588 157.5524 117.159 120.45 126.948 89.325 170.832 171.944 53.497 134.1154 139.0654 100.07 143.734 127.9478 50.559 135.92 94.086 148.228 153.171 89.122 174.89 90.7721 132.2711 52.9236 117.031 133.

711 168.624 150.7972 95.28 153.665 158.7806 130.07 83.888 79.853 147.747 92.183 158.375 137.48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 Rata-rata 157.84 148.544 110.605 138.9992 80.164 163.991 72.0988 133.755 168.743 118.5979 116.5261 123.49 146.103 135.9701 61.292 168.45 107.523 152.586 134.815 77.114 148.7469 47 .4962 156.129 148.744 81.9983 157.094 147.054 68.902 136.8319 92.477 155.248 129.367 106.8735 90.437 84.9154 153.9018 111.1131 143.609 134.054 147.426 127.357 72.508 73.482 170.1925 138.18 97.512 149.298 125.094 91.9485 112.548 82.086 145.823 64.8323 152.8854 60.743 177.718 120.777 111.257 161.632 127.327 159.561 101.35 132.4992 129.203 160.496 110.866 129.25 114.811 147.1095 113.757 159.706 141.938 127.18 95.8966 140.66 100.519 171.437 110.325 79.

424 168.704 140.8562784 135.2518936 118.4585086 149.2898 161.2069 150.6208059 155.921 93.1442 132. Data RGB Hasil Pengolahan Citra untuk Hari Pengamatan Ke 5 Tanggal Pengamatan : 13 Agustus 2007 Ulangan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 R 171.291 186.973 126.088 87.873 125.65877551 133.51 103.046 48 .322 181.11 95.3591 96.705 93.597 78.251 144.868 98.803 109.67615309 133.16425756 117.3734767 106.8133 83.388 97.486 105.760428 87.7561585 155.5698 84.552 122.3483164 152.24 177.192 94.506 88.713 76.4952 165.80102404 177.0060094 125.7951188 93.4164 156.953 165.Lampiran 10.85099939 135.53 166.756 132.394 129.7831882 114.816 113.859 G 163.574 122.747 179.0438037 171.092 134.57137533 138.65 111.0098 85.35619115 85.594 71.873 153.6232 103.575 182.0322838 134.633 108.722 140.6401869 95.909 130.688 144.9457 118.7174 111.23 172.1197725 53.89 178.6117761 168.9078836 97.694 159.28 150.69 157.7338583 91.883 114.1934 139.596 143.515 150.549 66.8963618 112.869 118.1265 157.2100398 154.403 117.9839461 174.737 145.0491504 67.6615 138.989 160.76 183.6233 133.8406759 136.027 114.462599 123.60522924 172.671 102.0751 147.9595 55.858 115.7575918 81.34415 123.224 150.818 102.602 162.4852 118.193 170.571 125.8526719 99.458 116.353 93.04 136.266 121.4568109 103.866 131.811 113.0709318 110.08 160.1987 168.126 100.42541436 102.789 146.407 110.2001881 174.7686009 B 148.864 85.497 137.6871295 175.72830189 158.802 156.803 89.3552729 108.373 124.54 104.

841 100.73322041 142.0474324 127.385 156.209 83.528 56.74 159.5012531 115.5536663 163.3808696 72.534 189.48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 Rata-rata 120.107 176.982 172.247 157.2167116 179.434 91.547 141.479 150.33 78.5731388 149.5379 141.848 169.229 123.2117943 155.3263 122.217 146.449 111.447 67.2007736 112.85805806 128.805 140.092 138.143 146.6528692 110.33 166.198 121.1416894 139.4596299 167.3506152 117.648 158.588 143.252 134.305 149.2407907 75.3 148.521 106.44548145 149.7315 132.3411186 112.194 134.4203 157.7886 179.7635184 152.3087633 178.02 166.317 89.513 166.8723 142.5985 157.186 111.0332435 99.613 187.21858864 78.639 169.881 122.225 71.358 160.535 108.7112956 147.805 140.077 146.694 100.539 153.8006903 159.797 151.0020504 132.13979904 190.978 149.4086 117.274 119.035 111.1079 195.678 131.38 145.2502633 132.195 93.1352565 140.8905446 146.4425 49 .6236537 59.

Lampiran 11. Data RGB Hasil Pengolahan Citra untuk Hari Pengamatan Ke 6 Tanggal Pengamatan : 14 Agustus 2007 Ulangan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 R 161,363 121,353 169,972 152,049 100,246 134,225 191,008 138,011 137,725 147,604 129,623 120,582 108,082 157,611 165,613 147,529 176,231 115,619 128,734 101,857 137,011 119,327 67,6479 145,321 165,156 89,8277 142,567 156,765 140,937 153,561 89,8593 150,898 177,008 174,725 152,886 187,003 172,486 85,4761 142,567 86,1517 138,654 128,838 149,715 150,395 119,496 G 147,352 100,273 162,448 136,375 84,9842 118,431 182,625 126,566 123,151 131,411 108,207 100,965 97,0397 145,475 155,945 133,01 169,84 106,173 118,173 89,106 132,83 105,928 42,4203 139,293 152,486 74,4793 130,678 145,262 132,043 142,123 62,3016 141,395 169,351 164,665 140,949 180,028 157,884 72,2559 127,125 72,5386 121,553 111,511 128,373 140,753 110,353 B 134,187 98,1964 146,473 131,531 84,5263 120,805 164,006 109,215 119,004 128,536 110,643 96,8483 98,3711 145,64 144,229 134,088 157,457 107,353 115,86 83,5251 133,027 102,492 42,9398 139,033 140,728 75,3961 128,297 134,968 132,513 141,625 56,8259 140,863 166,497 164,811 136,679 163,782 155,402 67,8328 113,003 71,722 113,71 89,2668 111,062 141,026 107,471 50

46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76

120,935 154,584 109,05 73,8352 159,041 187,014 126,715 173,816 163,262 146,211 99,8538 174,07 151,429 109,994 162,896 179,64 141,141 139,361 54,7426 67,974 176,131 131,247 95,3171 176,771 145,864 177,182 80,6894 145,125 82,1788 97,7106 141,043 136,502

110,906 143,111 103,919 55,8631 145,892 178,357 107,186 163,012 149,922 129,762 86,9347 160,2 136,66 101,391 151,401 169,514 128,418 119,48 41,6027 57,5955 164,855 112,573 78,8524 170,482 134,978 172,872 69,6714 133,225 65,5071 89,6524 130,976 123,696

110,684 140,171 103,871 56,1454 136,232 163,472 85,4921 150,777 147,708 123,734 85,1749 140,094 127,686 100,459 147,219 156,247 123,842 107,387 42,8274 55,7765 153,896 100,217 70,0196 165,571 130,932 172,015 67,4552 132,288 55,2865 89,3647 129,468 118,066

51

Lampiran 12. Data RGB Hasil Pengolahan Citra untuk Hari Pengamatan Ke 7 Tanggal Pengamatan : 15 Agustus 2007 Ulangan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 R 113,059 132,19 175,904 98,0955 115,097 126,65 179,268 170,289 157,398 108,466 128,229 108,758 97,0164 113,915 115,461 91,0841 167,473 136,093 136,51 72,8009 57,3669 134,801 136,209 131,331 153,993 57,1 132,248 174,056 128,7 112,025 102,728 60,1081 90,4947 129,633 140,112 155,61 144,706 99,8927 118,128 133,323 108,553 156,115 167,608 61,5835 113,375 G 96,9871 123,422 168,695 78,4026 107,238 114,103 169,903 161,706 145,605 94,1809 117,824 92,6389 90,7683 106,377 97,5529 77,3463 151,463 130,937 126,635 55,6838 48 127,24 126,574 125,872 140,915 42,7824 122,712 163,378 121,226 101,148 88,8711 49,3285 70,4659 119,201 131,41 139,061 131,217 89,6525 98,8299 124,053 85,8885 139,28 152,222 46,8556 101,754 B 93,8572 126,035 153,961 79,5826 108,082 116,252 156,825 152,425 146,83 95,3533 120,957 90,9374 92,9402 106,659 88,4061 79,8287 147,778 131,84 126,106 52,1166 46,2627 125,99 127,427 126,075 126,087 43,2314 122,503 157,327 121,806 100,197 88,2114 49,0432 62,2685 118,004 129,968 126,135 132,396 86,9461 84,007 122,485 85,3037 124,454 147,647 47,5297 99,0515 52

649 114.307 111.8081 138.987 110.123 149.771 155.889 165.226 133.8947 124.246 110.711 125.781 125.8768 139.444 51.866 151.761 162.378 125.75 56.442 122.9682 118.811 162.632 147.82 153.421 59.344 182.603 127.069 102.4969 125.127 126.222 51.3799 112.79 124.613 100.962 157.26 43.68 109.247 151.746 147.323 86.752 153.46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 Rata-rata 65.4606 53.206 161.8633 124.526 42.374 158.7952 125.92 165.413 58.9623 132.968 132.535 166.954 131.411 156.921 131.77 165.822 152.781 148.608 53 .926 108.282 138.372 134.573 141.039 115.181 157.669 89.849 126.7309 138.5805 164.0625 115.529 83.2986 69.41 55.217 136.6847 144.602 153.978 173.8284 51.49 100.651 173.844 153.548 108.202 145.468 43.3893 156.577 103.515 135.46 112.98 41.711 145.332 89.507 155.401 112.9991 152.028 126.341 134.363 68.

7612 160.593 82.3617 55.246 59.659 58.893 36.0131 72.4226 56.4182 126.035 117.7494 133.156 102.8437 110.2145 75.434 39.1978 95.347 67.761 62.275 102.0581 87.8154 117.864 79.856 102.1969 186.5686 104.Lampiran 13.5004 149.4276 140.7686 41.5462 94.754 112.614 115.7056 151.572 99.1179 92.2905 73.9397 86.4725 81.704 177.437 71.292 103.38 92. Data RGB Hasil Pengolahan Citra untuk Hari Pengamatan Ke 8 Tanggal Pengamatan : 16 Agustus 2007 Ulangan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 R 119.99 44.4774 G 99.2197 116.2568 142.437 111.5816 115.2942 151.8949 186.639 126.2748 146.5698 165.476 82.6001 45.8988 54.4378 161.8002 44.0399 144.3765 130.1162 144.8718 59.0344 109.345 109.012 169.595 133.942 100.497 76.743 129.5859 115.6131 106.842 73.8554 112.611 66.424 189.657 59.9163 83.354 38.458 110.5065 74.7059 98.879 64.585 58.609 54.454 84.578 54.0025 153.2664 114.247 126.482 110.854 76.222 75.3121 74.9606 73.2997 130.719 60.953 70.7654 B 99.707 55.1886 54 .8514 89.957 84.1173 70.8203 103.3551 123.147 116.9627 79.9438 85.361 43.2798 147.819 54.319 40.209 49.8425 58.08 189.4114 137.3403 89.6467 52.104 102.891 81.1422 114.0995 104.315 135.2411 145.5369 51.031 115.154 96.508 50.171 74.3504 124.734 44.462 90.169 115.0183 87.78 41.063 71.

814 132.517 69.8986 89.739 102.714 93.573 66.7 147.657 90.7529 82.1875 55.104 148.3814 55 .8878 55.7604 40.235 85.1052 47.9654 76.44 123.357 54.921 56.0461 121.696 50.5018 57.187 184.663 130.1647 102.9249 63.554 100.911 106.912 141.8695 73.489 131.097 111.489 60.736 64.46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 53.298 176.4324 48.2742 46.0673 125.3851 59.4814 68.301 184.978 142.717 131.4205 120.34 46.074 73.4754 46.529 85.5795 46.7275 55.156 134.065 92.0241 110.446 184.1092 65.4223 88.131 134.7658 148.8917 41.434 49.9289 127.217 58.7801 107.8924 132.3583 132.061 112.8877 61.225 131.161 58.051 106.0004 165.5677 53.1804 133.727 72.6893 58.7 53.703 97.247 83.979 100.513 96.861 118.7841 81.847 112.8185 117.7807 121.7415 54.4558 152.099 117.9618 66.4053 50.914 133.836 124.997 123.5722 111.7137 73.

272 103.325 142.9586 90.679 111.927 129.852 105.379 146.3286 78.325 136.8574 69.448 141.752 79.209 135.606 139.7543 73.0324 150.95 139.264 98.555 131.101 148.355 82.51 88.8501 54.777 138.6749 146. Data RGB Hasil Pengolahan Citra untuk Hari Pengamatan Ke 9 Tanggal Pengamatan : 17 Agustus 2007 Ulangan 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 R 109.5217 110.265 135.768 136.4875 85.611 153.228 156.2262 109.153 122.707 120.091 68.203 142.942 106.589 81.624 123.665 140.268 153.881 112.7059 135.541 142.455 137.0674 109.081 54.4446 118.Lampiran 14.271 147.6099 90.9021 62.04 74.7593 107.157 120.18 138.2543 80.3048 132.3951 110.624 138.921 128.841 69.498 118.348 111.2971 140.3203 67.182 144.34 76.2639 90.561 121.37 123.066 134.307 89.184 153.684 56 .5908 133.7562 73.445 125.75 149.248 97.211 113.151 134.629 101.6795 151.698 B 99.063 133.257 75.646 134.152 125.875 117.7189 150.111 108.059 78.434 129.679 132.6142 54.633 127.756 113.7438 97.905 139.375 128.9812 134.211 136.161 55.2838 68.217 146.143 146.746 105.284 144.3569 150.6881 68.043 90.354 115.081 106.794 103.551 111.714 132.492 137.018 112.071 126.505 77.183 G 97.797 104.052 148.929 133.825 83.0618 68.3441 121.5697 123.958 137.948 125.309 138.0732 130.129 138.822 113.157 87.537 72.0121 74.669 78.7323 115.005 119.1907 134.

837 62.722 107.617 119.512 156.89 128.447 112.652 116.247 129.9679 110.883 113.8172 108.139 112.476 107.05 105.348 108.435 86.609 133.129 120.983 143.183 109.984 69.8098 90.807 103.512 129.4153 65.48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 Rata-rata 104.156 106.4298 130.039 144.479 83.127 148.8349 51.97 71.1595 112.44 107.9085 102.146 131.8097 131.804 106.649 99.285 62.6 101.983 111.1731 91.609 142.7879 53.078 119.0573 112.1 130.137 133.6172 132.5452 102.067 122.5949 115.2754 136.004 92.49 116.9156 57 .1351 104.1309 93.214 148.003 125.7194 91.688 143.908 86.21 70.608 107.4171 98.573 119.892 100.878 99.59 108.5582 111.261 124.217 115.608 114.024 85.934 152.977 160.588 124.8815 138.16 128.19 105.793 131.712 54.514 102.717 54.311 127.172 103.614 140.371 152.

Data Gambar Perubahan Warna Manggis Menurut Hari Pengamatan pengamatan hari ke 1 pengamatan hari ke 2 pengamatan hari ke 3 pengamatan hari ke 4 pengamatan hari ke 5 pengamatan hari ke 6 pengamatan hari ke 7 pengamatan hari ke 8 pengamatan hari ke 9 58 .Lampiran 15.

. % % OLAH_CITRA_SINGLE('CALLBACK'.DO NOT EDIT gui_Singleton = 1. % Update handles structure guidata(hObject..to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Get default command line output from handles structure varargout{1} = handles.. 'gui_OutputFcn'. % --. % % H = OLAH_CITRA_SINGLE returns the handle to a new OLAH_CITRA_SINGLE or the handle to % the existing singleton*.. % UIWAIT makes Olah_Citra_Single wait for user response (see UIRESUME) % uiwait(handles. eventdata.DO NOT EDIT % --. property value pairs are % applied to the GUI before Olah_Citra_Single_OpeningFunction gets called. % Edit the above text to modify the response to help Olah_Citra_Single % Last Modified by GUIDE v2.) creates a new OLAH_CITRA_SINGLE or raises the % existing singleton*..gui_Callback = str2func(varargin{1}).figure1).. @Olah_Citra_Single_OpeningFcn. else gui_mainfcn(gui_State. function varargout = Olah_Citra_Single_OutputFcn(hObject. by itself. GUIDATA. if nargin && ischar(varargin{1}) gui_State. end if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State.) calls the local % function named CALLBACK in OLAH_CITRA_SINGLE.output.eventData.Outputs from this function are returned to the command line. handles. end % End initialization code .to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to Olah_Citra_Single (see VARARGIN) % Choose default command line output for Olah_Citra_Single handles. . GUIHANDLES % Copyright 2002-2003 The MathWorks. An % unrecognized property name or invalid value makes property application % stop. % % OLAH_CITRA_SINGLE('Property'.. Starting from the left.handles. handles) % varargout cell array for returning output args (see VARARGOUT).output = hObject.5 22-Nov-2007 10:26:15 % Begin initialization code . Choose "GUI allows only one % instance to run (singleton)". varargin{:}). . 'gui_OpeningFcn'. creates a new OLAH_CITRA_SINGLE or raises the existing % singleton*. eventdata.. [] .. . gui_Singleton. % hObject handle to figure % eventdata reserved .. .hObject... Syntax Program Pengolahan Citra yang Diambil dari File function varargout = Olah_Citra_Single(varargin) % OLAH_CITRA_SINGLE M-file for Olah_Citra_Single. varargin{:}). . handles). 'gui_LayoutFcn'.Executes just before Olah_Citra_Single is made visible.M with the given input arguments. function Olah_Citra_Single_OpeningFcn(hObject. mfilename. gui_State = struct('gui_Name'. % % See also: GUIDE. % hObject handle to figure % eventdata reserved . varargin) % This function has no output args.. Inc. []). % % *See GUI Options on GUIDE's Tools menu.. 59 . @Olah_Citra_Single_OutputFcn. 'gui_Callback'. 'gui_Singleton'..fig % OLAH_CITRA_SINGLE.'Value'.Lampiran 16. see OutputFcn.. All inputs are passed to Olah_Citra_Single_OpeningFcn via varargin.

'string'.TKVAlue.'string'.UkuranFileY.'Semua File(*. imaqmontage(handles.TKVAlue.jpg'. else set(handles.'Perbaiki Posisi Objek Buah').81 & y3<=121. else if y3<=112.bmp'.'string'.seD).TKVAlue.Executes on button press in bukafile. else if y3>112. [se90 se0]). p=impixel(handles.y2). c = imadjust(C).16 & y3<=159. if y3>178. handles) % hObject handle to olahcitra (see GCBO) % eventdata reserved .81 set(handles. y2=num2str(y1).16 set(handles. C= imopen(B1. [k.61 set(handles.data1.'6'). D2=imerode(D1.TKVAlue.l]=find(E). guidata(hObject.*.bmp.20)). 4). eventdata.size(handles. 'holes').'string'.26 & y3<=140.06 & y3<=178. end..Executes on button press in olahcitra. % mendapatkan nilai pixel buah rgb_rata3=sum(p).'string'. '*. if~isequal(nama_file1.71 set(handles.data1).data1.*. D2=imerode(D2. handles. else return.. %bersiin objek yang nempel di tepi D1=imclearborder(D.25).'Terlalu Matang').handles).nama_file1).% --.size(handles.'String'. else if y3>140. else if y3>131. % buat structuring element garis C2 = imdilate(C1. '*..'2').data1=imread(fullfile(nama_path1. se90 = strel('line'. y1=y/luas. 15.to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) B1=rgb2gray(handles.2)).k.'string'.*)'}. 'Buka File Citra Host/Asli'). 'canny'. (graythresh(c) * .'1'). end set(handles.current_data1).'File Citra(*.'string'.. handles) % hObject handle to bukafile (see GCBO) % eventdata reserved . 15.'string'. %citra yang tersegmentasi E=bwperim(D2).'4').'string'. %ngefill objek D=imfill(C2. % mencari indeks matriks bagian buah luas=bwarea(E). set(handles. C1= edge(c.UkuranFileX. else if y3>121. nama_path1]=uigetfile(.1)).'string'. function bukafile_Callback(hObject.'string'. % hitung rata-rata nilai piksel y=rgb_rata3.NamaFile.current_data1=handles. {'*.bmp'.1).TKVAlue. axes(handles.61 & y3<=169.2)). set(handles. y3=y1(1.'String'. else if y3>150.bmp. end.TKVAlue. else if y3>159.'Manggis Mentah'). function olahcitra_Callback(hObject.l). 90).data1. %buat structuring element garis se0 = strel('line'. %citra yang tererode seD = strel('diamond'.to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) [nama_file1.. 60 . 0) handles. '*.'5').strel('disk'. 0)..06 set(handles.51 set(handles.26 set(handles.TKVAlue.TKVAlue.TKVAlue..TKVAlue..81 & y3<=131..'File Bitmap(*.jpg)'.jpg)'.ImagePreview). % --. set(handles.*'..'File jpeg(*.data1.'String'. else if y3>169.'0'). eventdata.RGBVAlue.seD)..'3').71 & y3<=150.bmp)'.51 & y3<=255 set(handles.81 set(handles.nama_file1)).

HKvalue. else if y3<=152.'11').'string'.82 & y3>132.51 set(handles.'string'. end.HKvalue. else if y3<=138.28 & y3>158. end.'string'.HKvalue.'4').51 & y3>171.66 & y3>152. else if y3<=158. 61 .'string'. %=============== if y3>178. end. else if y3<=112. end.'6').'5').66 set(handles.'1').'3').43 & y3>138.HKvalue. else if y3<=171.Executes on button press in Exit.end. eventdata.'string'.'string'. else if y3<=125. end.'string'.89 & y3>165.'string'.36 set(handles.HKvalue.'string'.'string'.59 & y3>118.HKvalue. else if y3<=178. end.'8'). end end end end end end end end end end end end % --.HKvalue.97 & y3>112.'2').'9').89 set(handles.HKvalue.'string'.HKvalue.to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) close.97 set(handles.HKvalue.'12'). function Exit_Callback(hObject. else set(handles.20 set(handles.'string'.05 set(handles.HKvalue.'10').28 set(handles. else if y3<=132.59 set(handles. handles) % hObject handle to Exit (see GCBO) % eventdata reserved . else if y3<=118.HKvalue.82 set(handles.'Perbaiki Posisi Objek Buah').43 set(handles. else if y3<=165.'string'. else if y3<=145.20 & y3>125.36 set(handles.05 & y3>145.'7').HKvalue.

'Value'.. 'gui_Callback'.to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to Manggis_v1 (see VARARGIN) % Choose default command line output for Manggis_v1 handles. 0. end % End initialization code . All inputs are passed to Manggis_v1_OpeningFcn via varargin. An % unrecognized property name or invalid value makes property application % stop. gui_State = struct('gui_Name'. Choose "GUI allows only one % instance to run (singleton)". using GETSNAPSHOT and put it into axes using IMAGE 'set(handles. by itself. % Update handles % Get picture % Remove tickmarks 62 . handles.. GUIHANDLES % Copyright 2002-2003 The MathWorks. % % H = MANGGIS_V1 returns the handle to a new MANGGIS_V1 or the handle to % the existing singleton*..DO NOT EDIT gui_Singleton = 1. . end if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State.5 20-Nov-2007 06:17:52 % Begin initialization code .[]..video)). % % MANGGIS_V1('CALLBACK'.'. % Edit the above text to modify the response to help Manggis_v1 % Last Modified by GUIDE v2. function Manggis_v1_OpeningFcn(hObject.) creates a new MANGGIS_V1 or raises the % existing singleton*. eventdata.''ytick''. Inc. 'handles=guidata(gcf)... Sytax Program Pengolahan Citra Manggis Melalui Kamera function varargout = Manggis_v1(varargin) % MANGGIS_V1 M-file for Manggis_v1. [] .cameraAxes.'.. . .eventData.. creates a new MANGGIS_V1 or raises the existing % singleton*.['if(~isempty(gco)).. % % MANGGIS_V1('Property'.Executes just before Manggis_v1 is made visible.. property value pairs are % applied to the GUI before Manggis_v1_OpeningFunction gets called..output = hObject..video = videoinput('winvideo'. 'RGB24_640x480'). set(handles. % % *See GUI Options on GUIDE's Tools menu. varargin) % This function has no output args.) calls the local % function named CALLBACK in MANGGIS_V1. 1. % tambahan1========== % Create video object % Putting the object into manual trigger mode and then % starting the object will make GETSNAPSHOT return faster % since the connection to the camera will already have % been established. % % See also: GUIDE.DO NOT EDIT % --. GUIDATA. @Manggis_v1_OpeningFcn.. see OutputFcn. varargin{:}). 'gui_Singleton'. 'image(getsnapshot(handles. % hObject handle to figure % eventdata reserved .. 'gui_OutputFcn'.fig % MANGGIS_V1. if nargin && ischar(varargin{1}) gui_State..'TimerPeriod'... 'gui_LayoutFcn'.''xtick''.. Starting from the left.handles.hObject.M with the given input arguments..gui_Callback = str2func(varargin{1})..[]).. 'gui_OpeningFcn'. handles.'.. varargin{:}). . []).. and labels that are inserted when using IMAGE 'else '.. @Manggis_v1_OutputFcn. . .. 'TimerFcn'..Lampiran 17. else gui_mainfcn(gui_State. mfilename..'.video. gui_Singleton.05..

% tambahan 2========== uiwait(handles.CameraTimeEdit.to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) 63 . % ========== % --. eventdata.to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % Get default command line output from handles structure % tambahan 3========== handles.figure1).video). image(img. 'parent'.video) set(handles. % UIWAIT makes Manggis_v1 wait for user response (see UIRESUME) % uiwait(handles.ImageTimeEdit.'Start Camera') stop(handles. % ========== % Clean up - % --. 'ytick'.StartStopCamera.'String')..'.imageAxes).cameraAxes). axes (handles..video) end % =========== % --. % ========== varargout{1} = handles.toc). else % Camera is on.figure1).output. eventdata.'string'. set(handles.'String'.to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % tambahan5========== tic. triggerconfig(handles. function StartStopCamera_Callback(hObject. handles).'Start Camera') % Camera is off. if strcmp(get(handles. function CaptureImage_Callback(hObject.Executes on button press in StartStopCamera.StartStopCamera.'delete(imaqfind). % ========== % Update handles structure guidata(hObject. eventdata. % --. set (handles. set(handles. eventdata. handles) % hObject handle to SaveImage (see GCBO) % eventdata reserved . Change button string and start camera.'String'.video.[]).Outputs from this function are returned to the command line.'Stop Camera') start(handles.toc).'xtick'.Executes on button press in SaveImage. Stop camera and change button string. delete any image acquisition objects 'end']).Executes on button press in CaptureImage. handles. % hObject handle to figure % eventdata reserved . set(handles. handles) % varargout cell array for returning output args (see VARARGOUT).'manual').to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % tambahan4========== % Start/Stop Camera tic. global img img = getsnapshot(handles.StartStopCamera. function SaveImage_Callback(hObject.'string'. handles) % hObject handle to CaptureImage (see GCBO) % eventdata reserved . function varargout = Manggis_v1_OutputFcn(hObject. handles) % hObject handle to StartStopCamera (see GCBO) % eventdata reserved .imageAxes.output = hObject.[].

90).TKVAlue. handles) % hObject handle to Exit (see GCBO) % eventdata reserved .2)).jpg'.06 set(handles.'string'. else if y3>159. y2=num2str(y1). y1=y/luas. %ngefill objek D=imfill(C2.strel('disk'.filename. 'holes').81 set(handles.'string'.TKVAlue. B1=rgb2gray(img).06 & y3<=178. 15. else if y3>140. [k. else if y3<=112..61 & y3<=169..TKVAlue.16 set(handles. c = imadjust(C).'3').51 & y3<=255 set(handles. (graythresh(c) * .71 & y3<=150. var=strcat(pathname..81 & y3<=131.26 set(handles.61 set(handles.16 & y3<=159.l).'string'.'4'). eventdata. 'Save current image as'). [se90 se0]). eventdata.TKVAlue. .video) close(gcbf) % ========== % --.'0').to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) % tambahan7========== stop(handles. D2=imerode(D1.. 'All Files (*.71 set(handles. %buat structuring element garis se0 = strel('line'.81 & y3<=121.jpg').seD).20)). else 64 .*)'}. y3=y1(1.'Manggis Mentah'). p=impixel(img.26 & y3<=140. %bersiin objek yang nempel di tepi D1=imclearborder(D. else if y3>112. else if y3>150.'6').var).TKVAlue.'. else if y3>169.% tambahan6========= global img [filename. else if y3>131. else if y3>121..'string'.1).25). 'canny'. '*. % mendapatkan nilai pixel buah rgb_rata3=sum(p).pathname] = uiputfile( .to be defined in a future version of MATLAB % handles structure with handles and user data (see GUIDATA) global img.51 set(handles.'string'. %citra yang tersegmentasi E=bwperim(D2). se90 = strel('line'.'5'). %citra yang tererode seD = strel('diamond'. % ========== % --. set(handles.TKVAlue. % mencari indeks matriks bagian buah luas=bwarea(E). C= imopen(B1.'string'.'string'.*'.TKVAlue. 'JPEG Image File'.'string'.'2').'1'). if y3>178. {'*.. C1= edge(c. handles) % hObject handle to OlahCitra (see GCBO) % eventdata reserved .TKVAlue. 0). % buat structuring element garis C2 = imdilate(C1. imwrite(img.TKVAlue. % hitung rata-rata nilai piksel y=rgb_rata3. function Exit_Callback(hObject. 4). . 15.y2).seD).l]=find(E).'string'.'string'.k. D2=imerode(D2.RGBVAlue. function OlahCitra_Callback(hObject.'Terlalu Matang').81 set(handles.Executes on button press in Exit.Executes on button press in OlahCitra.

'string'.'9').HKvalue.HKvalue.'1'). else if y3<=158.HKvalue.'string'. end. end end end end end end end end end end end end 65 .82 set(handles. else set(handles.'string'.HKvalue.'string'. else if y3<=171. end.'string'.HKvalue.43 & y3>138. else if y3<=132.43 set(handles.set(handles. end.97 set(handles.'string'.'string'.36 set(handles.89 set(handles. else if y3<=138.20 & y3>125.28 set(handles.HKvalue.HKvalue.HKvalue.HKvalue.51 & y3>171.51 set(handles. else if y3<=112. else if y3<=145.'string'.59 set(handles.97 & y3>112.'string'.'5').'11'). else if y3<=125. end.'12').59 & y3>118. end.'7').28 & y3>158. end. else if y3<=118. else if y3<=152. end.'string'.'Perbaiki Posisi Objek Buah').TKVAlue.'4').'2').82 & y3>132.05 & y3>145. %=============== if y3>178. else if y3<=178.'6').66 set(handles. else if y3<=165.'3'). end.HKvalue.'string'.05 set(handles.'string'.HKvalue.'string'.20 set(handles.HKvalue.'string'.HKvalue. end.'8').89 & y3>165.36 set(handles.66 & y3>152.'10').'Perbaiki Posisi Objek Buah').

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->