rancang bangun alat penyortir buah tomat berdasarkan ukuran …digilib.unila.ac.id/54801/3/skripsi...
TRANSCRIPT
RANCANG BANGUN ALAT PENYORTIR BUAH TOMAT
BERDASARKAN UKURAN BERBASIS RASPBERRY PI 3
(Skripsi)
Oleh
RAHMA FERIKA SHAUMI
FAKULTAS TEKNIK
UNIVERSITAS LAMPUNG
BANDAR LAMPUNG
2018
ABSTRACT
MODEL DESIGN OF TOMATO SORTING MACHINE BASED ON SIZE
USING RASPBERRY PI 3
By
RAHMA FERIKA SHAUMI
The process of sorting tomatoes are usually still using conventional methods
which only using the human senses, it can be a problem in the sorting process
when determining the quality of tomatoes. In this research, we create a tomatoes
sorting machine based on Raspberry Pi 3 using the canny edge detection which is
able to sort tomatoes based on size into three classes, namely class 1 (large),
class 2 (moderate) and class 3 (small). The canny edge detection works to process
the digital image. This method was using because can detect the edge, also can
marking all of edge with the convolution parameters, generate the minimum
distance of edge and the output is one respond. The test results showed that the
model of the tomatoes sorting machine was able to classify tomatoes into three
classes. The error rate from the results of this research is 16% with testing using
100 tomatoes.
Key words: Tomatoes Sorting, The Canny edge detection, Raspberry Pi.
ABSTRAK
RANCANG BANGUN ALAT PENYORTIR BUAH TOMAT
BERDASARKAN UKURAN BERBASIS RASPBERRY PI 3
Oleh
RAHMA FERIKA SHAUMI
Proses penyortiran tomat biasanya menggunakan cara konvensional dengan
indera manusia yang terbatas, hal tersebut menjadi permasalahan dalam
menentukan ukuran tomat. Pada penelitian ini dibuat rancang bangun alat
penyortir tomat dengan metode canny pada Raspberry Pi 3 yang mampu
menyortir tomat berdasarkan ukuran ke dalam tiga kelas yaitu kelas 1
(besar), kelas 2 (sedang) dan kelas 3 (kecil). Metode canny berfungsi untuk
memproses citra digital. Metode ini digunakan karena mampu mendeteksi
tepi dengan baik, serta dapat menandai seluruh tepi dengan parameter
konvolusi, menghasilkan jarak minimum tepi dan memiliki satu respon.
Hasil pengujian menunjukkan bahwa rancang bangun alat penyortiran buah
tomat berhasil mengelompokkan tomat ke dalam tiga kelas ukuran. Tingkat
kesalahan dari hasil penelitian ini adalah sebesar 16% dengan pengujian
sebanyak 100 buah tomat.
Kata kunci : Penyortiran BuahTomat, Metode Canny, Raspberry Pi 3.
RANCANG BANGUN ALAT PENYORTIR BUAH TOMAT
BERDASARKAN UKURAN BERBASIS RASPBERRY PI 3
Oleh
RAHMA FERIKA SHAUMI
Skripsi
Sebagai Salah Satu Syarat Mencapai Gelar
SARJANA TEKNIK
Pada
Jurusan Teknik Elektro
Fakultas Teknik Universitas Lampung
FAKULTAS TEKNIK
UNIVERSITAS LAMPUNG
BANDAR LAMPUNG
2018
RIWAYAT HIDUP
Penulis dilahirkan di Marga Agung, Lampung Selatan pada
tanggal 19 Februari 1996 yang memiliki nama lengkap Rahma
Ferika Shaumi. Penulis merupakan anak pertama dari dua
bersaudara dari pasangan Bapak Haryono dan Ibu
Mariyaningsih.
Riwayat pendidikan penulis yaitu lulus Sekolah Dasar di SDN 1 Marga Agung
pada tahun 2008, lulus Sekolah Menengah Pertama di MTs. Al Hidayah Jati
Agung pada tahun 2011, lulus Sekolah Menengah Atas di SMA Gajah Mada
Bandar Lampung pada tahun 2014 dan melanjutkan pendidikan perguruan tinggi
di Jurusan Teknik Elektro Universitas Lampung pada tahun 2014 melalui jalur
SNMPTN (Seleksi Nasional Masuk Perguruan Tinggi Negeri).
Selama menjadi mahasiswi, penulis aktif diorganisasi HIMATRO (Himpunan
Mahasiswa Teknik Elektro) sebagai Wakil Sekretaris Umum pada tahun 2016-
2017 dan Anggota Divisi Kerohanian pada tahun 2015-2016. Penulis juga aktif
sebagai Asisten Laboratorium TPBE (Teknik Pengukuran Besaran Elektrik) pada
tahun 2015-2018. Penulis pernah melaksanakan kerja praktik di PT. Great Giant
Food (GGF) Lampung Tengah di divisi maintenance cannery pada tahun 2017.
Persembahan
Ku persembahkan karya tulis ini untuk :
Bapak Haryono dan Ibu Mariyaningsih
selaku orang tuaku yang tercinta
serta,
Ahmad Taufik Fadhani
selaku adikku yang terkasih
MOTTO
Innasholaatii wanusukii wamahyaaya wamamaatii lillahi robbil’aalamiin
Hidup itu seperti sepeda, agar tetap seimbang, kau harus
bergerak (Albert Einstein)
SANWACANA
Assalamualaikum Wr. Wb.
Alhamdulillah segala puji serta syukur kepada Tuhan Yang Maha Esa atas segala
nikmat iman dan nikmat islam serta sebbuah anugerah rizki, kesehatan, petunjuk
pertolongan dan kesempatan yang telah diberikan kepada penulis sehingga dapat
menyelesaikan tugas akhir yang berjudul “RANCANG BANGUN ALAT
PENYORTIR BUAH TOMAT BERDASARKAN UKURAN BERBASIS
RASPBERRY PI 3” yang merupakan salah satu syarat untuk memperoleh gelar
Sarjana Teknik di Jurusan Teknik Elektro Fakultas Teknik Universitas Lampung.
Penulis mengucapkan terimakasih kepada seluruh pihak yang telah membantu
pada saat melaksanakan tugas akhir ini, oleh karena itu penulis ingin
mengucapkan terima kasih kepada :
1. Bapak Prof. Dr. Suharno, M.Sc., Ph.D., IPU. selaku Dekan Fakultas Teknik.
2. Bapak Dr. Ing. Ardian Ulvan, S.T., M.Sc. selaku Ketua Jurusan Teknik
Elektro.
3. Bapak Dr. Herman Halomoan Sinaga, S.T., M.T. selaku Sekretaris Jurusan
Teknik Elektro.
4. Ibu Herlinawati, S.T., M.T. selaku Dosen Pembimbing Utama yang telah
memberikan arahan dan koreksi serta dukungan terhadap tugas akhir ini.
5. Ibu Umi Murdika, S.T., M.T. selaku Dosen Pembimbing Pendamping yang
telah memberikan koreksi dan solusi serta arahan dalam tugas akhir ini.
6. Bapak Dr. Eng. F.X. Arinto Setyawan, S.T., M.T. selaku Dosen Penguji
yang telah memberikan masukan, kritik dan saran yang membangun dalam
tugas akhir in.
7. Bapak Herri Gusmedi, S.T., M.T. selaku Pembimbing Akademik yang
memberikan masukan, saran, nasehat dan dukungan selama masa studi
berlangsung.
8. Ibu Dr. Eng. Ir. Dikpride Despa, S.T., M.T., IPM. selaku kepala
Laboratorium TPBE yang telah memberikan motivasi dan dukungan
terhadap penulis.
9. Seluruh Dosen Jurusan Teknik Elektro dan sseluruh Staff yang telah
memberikan ilmu dan bantuan selama masa studi
10. Teman-teman seperjuangan tugas akhir ELITE dan Calon Istri Sholehah
2014 yang telah memberikan dukungan dan kesan yang luar biasa terhadap
penulis.
11. Aqilatur Rohmah, Meri Kusumawati, Nadia Julian Putri, Oka Ayulestari,
Rikawati Safitri, Suci Prischayani Pertiwi, Widiastuti Ariyana dan Yuliana
Fistriani Hayon yang telah menjadi sahabat terbaik dan yang selalu
memberikan dukungan disaat suka maupun duka.
12. Ardhi Istiadi selaku teman satu tim KP dan Tugas Akhir yang telah banyak
membantu secara moril maupun materil.
13. Teman-Teman seperjuangan Laboratorium TPBE, Ega P., Erik S., Jofanda
D.H., Manda J.P., dan M. Masruri Y., serta kakak-kakak dan adik-adik yang
telah memberikan dukungan dan motivasi.
14. Teman-Teman KKN Desa Terbanggi Subing 2017, M. Khadafi A, Iranda
Putri, Kurnia Ramadhani, Made Yudhistira B.A., Rama Wicaksa dan Titin
Aprilia.
15. Semua Pihak yang tidak dapat penulis sebutkan satu persatu yang telah
membantu selama masa studi berlangsung.
Bandarlampung, November 2018
Penulis
Rahma Ferika Shaumi
DAFTAR ISI
Halaman
DAFTAR ISI .............................................................................................. i
DAFTAR GAMBAR ................................................................................. iii
DAFTAR TABEL ..................................................................................... iv
I. PENDAHULUAN
1.1 Latar Belakang ............................................................................ 1
1.2 Tujuan Penelitian ........................................................................ 4
1.3 Manfaat Penelitian ...................................................................... 4
1.4 Perumusan Masalah .................................................................... 5
1.5 Batasan Masalah ......................................................................... 5
1.6 Hipotesis ..................................................................................... 5
1.7 Sistematika Penulisan ................................................................. 6
II. TINJAUAN PUSTAKA 2.1 Pengolahan Citra Digital ............................................................ 8
2.2 Grayscale .................................................................................... 9
2.3 Gaussian Blur ............................................................................ 10
2.4 Deteksi Tepi Canny .................................................................... 11
2.5 Thresholding ............................................................................... 14
2.6 Dilasi dan Erosi ......................................................................... 15
2.7 Sortasi ......................................................................................... 16
2.8 Euclidean Distance ..................................................................... 16
2.9 Raspberry Pi 3 ............................................................................ 17
2.10. Penelitian Terkait ........................................................................ 19
III. METODE PENELITIAN 3.1 Waktu danTempat Penelitian...................................................... 20
3.2 Alat dan Bahan ........................................................................... 20
3.3 Metode yang digunakan.............................................................. 21
3.3.1 Garis besar metode yang digunakan ........................................... 21
3.3.2 Diagram alir penelitian................................................................ 21
3.3.3 Citra digital ................................................................................. 25
3.3.4 Citra RGB diubah ke citra grayscale .......................................... 25
3.3.5 Gaussian blur .............................................................................. 26
3.3.6 Thresholding ............................................................................... 26
ii
3.3.7 Edge detection ............................................................................. 26
3.3.8 Membuat kontur .......................................................................... 27
3.3.9 Bounding box .............................................................................. 27
3.3.10 Menentukan titik tengah............................................................ 27
3.3.11 Menentukan ukuran ................................................................... 28
3.3.12 Perancangan sistem ................................................................... 28
3.4 Perangkat Lunak.......................................................................... 30
3.4.1 Pemrograman python .................................................................. 31
3.5 Perangkat Keras ......................................................................... 31
3.5.1 Raspberry pi 3 ............................................................................. 32
3.5.2 Kamera ........................................................................................ 32
3.5.3 Motor servo ................................................................................. 33
3.5.4 Motor DC .................................................................................... 34
3.5.5 Roller konveyor .......................................................................... 35
3.5.6 Belt konveyor .............................................................................. 35
IV. HASIL DAN PEMBAHASAN 4.1 Pembahasan ..................................................................................... 36
4.2 Perancangan .................................................................................... 48
4.2.1 Pengujian perangkat lunak dan perangkat keras .......................... 50
4.3 Analisis Hasil Perancangan ............................................................. 54
V. KESIMPULAN DAN SARAN 5.1 Kesimpulan .................................................................................... 56
5.2 Saran ................................................................................................ 56
DAFTAR PUSTAKA
LAMPIRAN
DAFTAR GAMBAR
Gambar Halaman
2.1 Citra digital .................................................................................... 9
2.2 Raspberry pi 3 board ..................................................................... 18
3.1 Diagram alir penelitian .................................................................. 22
3.2 Diagram alir penyortiran buah tomat ............................................ 23
3.3 Diagram blok sistem ...................................................................... 24
3.4 Blok diagram perancangan sistem ................................................. 28
3.5 Rancang bangun alat penyortir buah tomat ................................... 29
3.6 Dekstop raspbian jessie ................................................................ 30
3.7 Tampilan pemrograman python .................................................... 31
3.8 Raspberry pi 3 ............................................................................... 32
3.9 Kamera webcam ............................................................................ 33
3.10 Motor servo ................................................................................... 34
3.11 Motor DC ...................................................................................... 35
4.1 Citra buah tomat ............................................................................ 37
4.2 Citra grayscale .............................................................................. 39
4.3 Citra hasil gaussian blur ............................................................... 41
4.4 Citra hasil threshold ...................................................................... 42
4.5 Hasil citra gradien gx, hasil citra gradien gy................................. 43
4.6 Hasil citra setelah menentukan intensitas gradien ........................ 45
4.7 Hasil citra non-maximum suppresion ............................................ 45
4.8 Hasil citra double thresholding ..................................................... 46
4.9 Hasil citra edge tracking by hysterisis .......................................... 46
4.10 Hasil ukuran tomat ........................................................................ 48
4.11 Blok diagram perancangan sistem ................................................ 48
4.12 Rancang bangun alat penyortir buah tomat ................................... 50
DAFTAR TABEL
Tabel Halaman
2.1 Spesifikasi Raspberry Pi 3 ........................................................... 18
3.1 Alat dan Bahan .............................................................................. 20
3.2 Pengelompokkan Ukuran Buah Tomat Berdasarkan Diameter .... 30
4.1 Hasil Pengujian Perangkat Lunak ................................................. 51
4.2 Hasil Pengujian Perangkat Keras .................................................. 52
4.3 Data Hasil Pengujian Rancang Bangun ........................................ 54
BAB I
PENDAHULUAN
1.1. Latar Belakang
Perkembangan pada teknologi saat ini tengah mengalami kemajuan yang
pesat. Hal ini sangat bermanfaat untuk membantu pekerjaan manusia
dalam aspek kehidupan agar berjalan lebih mudah dan ringan. Salah satu
contoh perkembangan pada teknologi adalah pada pengolahan citra.
Aplikasi dari pengolahan citra ini banyak digunakan hampir di berbagai
bidang kegiatan manusia sehari-hari misalnya untuk pengujian, kesehatan,
keamanan ataupun untuk pemantauan.
Aplikasi dari pengolahan citra salah satunya yaitu dapat memproses hasil
dari perkebunan maupun dari pertanian. contoh proses pengolahan hasil
perkebunan yaitu menyortir hasil perkebunan, kemudian dikelompokkan
berdasarkan ukuran agar dapat megetahui hasil perkebunan tersebut dapat
dipasarkan/dijual sesuai dengan tingkat ukuran kelasnya. Pada proses
sortasi hasil perkebunan biasanya masih dengan cara konvensional
menggunakan indera pada manusia. Sedangkan indera manusia
mempunyai kekuragan dan keterbatasan seperti lelah. Tidak adanya acuan
yang pasti mengenai standar ukuran juga menjadi alasan kekurangan
penyortiran buah secara konvensional, maka dibuatlah penelitian ini yaitu
sebuah sistem penyortiran buah tomat berdasarkan ukuran ke dalam tiga
2
kelas. Sistemnya apabila dengan sebuah citra yang ditangkap dengan
kamera untuk kemudian dari hasil citra tersebut akan diproses oleh
komputer mini yaitu raspberry pi 3.
Kualitas buah tomat ini dipengaruhi faktor genetik, lingkungan serta
pertumbuhannya. Selanjutnya dilakukan proses sortasi untuk
mengelompokkan buah tomat ke dalam standar kelas ukuran yang telah
ditentukan sebelumnya. Pengelompokkan ini berdasarkan hasil ukuran
yang selanjutnya akan menentukan di mana tomat tersebut dipasarkan.
Salah satu proses yang sangat penting dalam pemasaran buah tomat yaitu
sortasi, ukuran standar yang digunakan pada proses buah tomat dibagi
dalam tiga kelas yaitu kelas 1, kelas 2 dan kelas 3. Kemudian untuk
pemasaran berdasarkan kelasnya yaitu untuk buah tomat yang mempunyai
ukuran kelas 1 dan kelas 2 biasanya akan dipasarkan ke pasar swalayan.
Sedangkan buah tomat yang berada dalam ukuran kelas 3 dipasarkan ke
pasar tradisional.
Pada penelitian ini menggunakan deteksi tepi canny, yaitu merupakan
jenis deteksi tepi untuk mengolah suatu citra yang mampu mendeteksi tepi
pada citra dengan baik dan dapat menggabungkan garis-garis [1]. Deteksi
tepi canny telah digunakan pada beberapa penelitian sebelumnya seperti
dalam bidang medis dengan judul An Improved Canny Edge Detection
Algorithm for Detecting Brain Tumors in MRI Image yaitu sebuah
penelitian yang mengidentifikasi tepi dari gambar medis yaitu jaringan
otak, kemudian algoritma ini dipakai dalam mengekstrak informasi.
3
Deteksi canny dapat digunakan untuk mendeteksi tumor otak yang
hasilnya dapat mengenali banyak detail-detail citra dari otak, memiliki
waktu eksekusi yang baik [2].
Kemudian penelitian selanjutnya yaitu Automatic Detection of Buildings
from Aerial Images Using Color Invariant Features and Canny Edge
Detection yakni sebuah penelitian untuk pendeteksian dengan cara
otomatis bangunan yang rusak dan citra satelit dari gambar udara
berwarna. Tujuan dari penelitian ini yaitu mengekstrak bangunan dari
resolusi tinggi gambar udara berwarna dengan metode teknik deteksi tepi
canny dan color invariance. Tepi yang terdeteksi pada gambar udara
memiliki batas garis lurus yang menggambarkan tepi dari bangunan-
bangunan tersebut [3].
Penelitian yang lain mengenai penyortiran buah tomat dengan
menggunakan pengolahan citra telah dilakukan, salah satunya tentang
rancang bangun alat sortasi otomatis untuk buah tomat menggunakan
aplikasi image processing. Perbedaan penelitian ini yaitu menggunakan
kamera webcam dengan program visual basic. Pengujian program
pendeteksian buah tomat dengan Background Subtraction. Hasil pada dari
penelitian ini memiliki dua pengelompokkan/grading, yaitu kelompok
buah tomat dengan ukuran besar dan buah tomat dengan ukuran kecil
dengan presentase tingkat keberhasilan dalam menggunakan metode
Background Subtraction sebesar 71% [4].
4
Pada penelitian ini dibuat sebuah alat rancang bangun penyortir buah
tomat berdasarkan ukuran dengan menggunakan metode canny, yang
berfugsi untuk mengelompokkan buah tomat berdasarkan hasil ukuran dari
citra yang ditangkap oleh kamera webcam. Digunakannya metode tersebut
karena memiliki beberapa keunggulan, seperti mampu untuk mendeteksi
tepi dengan baik berdasarkan kinerja metode ini, memiliki pemosisian
yang baik dalam pendeteksian dan memiliki respon tunggal sehingga hal
tersebut tidak akan ada tepi yang salah/rancu [5].
1.2. Tujuan Penelitian
Tujuan dari penelitian ini yaitu :
1. Mengaplikasikan pengolahan citra menggunakan metode canny untuk
proses sortir buah tomat.
2. Menghasilkan rancang bangun alat untuk menyortir buah tomat sesuai
dengan ukuran yang ditentukan.
1.3. Manfaat Penelitian
Manfaat dari penelitian ini yaitu :
1. Dapat memahami proses pengolahan citra yang digunakan dalam
menyortir buah tomat.
2. Memberikan solusi kepada petani buah tomat dalam kegiatan proses
menyortir buah tomat.
5
1.4. Perumusan Masalah
Perumusan masalah pada penelitian ini yaitu :
1. Bagaimana membuat rancang bangun alat penyortiran buah tomat
dengan tepat dan efisien ?
2. Bagaimana membuat pemograman yang dapat digunakan dalam
pengukuran buah tomat?
3. Bagaimana membuat algoritma dari pengolahan citra dengan
pemrograman Python?
1.5. Batasan Masalah
Batasan masalah dalam penelitian ini yaitu:
1. Membahas penyortiran buah tomat dengan ukuran tertentu
menggunakan raspberry pi 3.
2. Membahas penyortiran buah tomat hanya berdasarkan ukuran.
3. Buah tomat yang diuji yaitu buah dengan jenis yang serupa.
4. Pengukuran hanya menggunakan satu buah tomat dalam setiap kali
proses.
1.6. Hipotesis
Alat yang dirancang dapat menyortir buah tomat berdasarkan ukuran
dengan menggunakan raspberry pi 3, dalam pengambilan hasil keputusan
yaitu dengan hasil dari pengolahan citra. Citra ditangkap oleh kamera
webcam. Hasil data yang telah diperoleh berupa nilai citra warna yang
selanjutnya diproses dengan metode canny kemudian dianalisis dan proses
6
terakhir yaitu pemisahan hasil dari data yang diuji ke dalam box yang
dituju sesuai dengan hasil ukuran yang terdeteksi.
1.7. Sistematika Penulisan
Untuk memperjelas dalam penulisan serta pemahaman mengenai materi
dalam penelitian ini, maka dibagi menjadi 5 bab, yaitu :
BAB I PENDAHULUAN
Memuat latar belakang, tujuan penelitian, manfaat penelitian, perumusan
masalah, batasan masalah, hipotesis dan sistematika laporan.
BAB II TINJAUAN PUSTAKA
Menjelaskan teori-teori yang mendukung sistem penyortiran buah tomat,
dan proses-proses dalam pengolahan citra.
BAB III METODE PENELITIAN
Memaparkan waktu dan tempat penelitian, alat dan bahan yang digunakan,
garis besar metode yang digunakan, serta diagram alir metode yang
digunakan.
BAB IV HASIL DAN PEMBAHASAN
Membahas metode yang digunakan, perancangan alat dan perhitungan
error perancangan.
BAB V KESIMPULAN DAN SARAN
Berisi kesimpulan yang didapat dari hasil pengujian, serta saran-saran
untuk pengembangan lebih lanjut.
7
DAFTAR PUSTAKA
LAMPIRAN
BAB II
TINJAUAN PUSTAKA
2.1. Pengolahan Citra Digital
Menurut KBBI pengolahan citra digital merupakan suatu cara atau proses
untuk mengusahakan sesuatu supaya dapat menjadi lain atau jadi lebih
sempurna. Sedangkan citra menurut KBBI adalah gambar atau rupa, yang
didapatkan menggunakan sistem visual.
Pengolahan citra dapat diartikan cara untuk mengusahakan suatu citra
menjadi citra lain yang lebih sempurna atau menjadi seperti yang
diinginkan. Dalam arti yang lain yaitu suatu proses dengan masukan citra
yang kemudian menghasilkan keluaran citra seperti yang diinginkan [6].
Citra digital adalah citra dari dua buah dimensi yang mampu ditampilkan
dalam monitor sebagai himpunan diskrit (berhingga) nilai dari digital yang
kenal dengan pixel. Pixel (picture elements) yaitu suatu elemen citra yang
mempunyai nilai yang mempresentasikan hasil intensitas pada warna.
Terdapat dua jenis citra, yang pertama citra bitmap/raster (citra digital
yang terbentuk dari sekumpulan pixel pada array dua) dan jenis citra
kedua grafik vektor yaitu citra yang terbentuk dari matematika dan fungsi-
fungsi geometri.
9
Citra digital bisa dinyatakan untuk fungsi dua variabel, f(x,y) yaitu x dan y
merupakan koordinat yang spasial dan nilai dari f(x,y) merupakan tingkat
keterangan dari koordinat citra. Sebuah warna pada citra merupakan
perpaduan dari tiga warna yaitu merah, hijau dan biru disebut dengan
warna dasar.
Gambar 2.1. Citra digital [7].
2.2. Grayscale
Suatu gambar yang hanya memiliki dari beberapa tingkatan warna yaitu
warna putih sampai dengan warna hitam. Proses mengubah dari gambar
berwarna/RGB dengan melakukan penggabungan semua nilai warna RGB
diubah jadi rata-rata nilai warna RGB pada setiap pixel tersebut.
Dalam proses mengubah suatu gambar menjadi grayscale dilakukan
dengan mengambil semua pixel pada gambar, lalu mengambil informasi
dari tiga warna melalui pixel tiap warna, yaitu warna dasar RGB yang
dijumlahkan lalu hasilnya dibagi tiga maka didapatkan hasil rata-rata nilai.
10
Grayscale akan didapatkan dari rata-rata nilai yang digunakan agar
memperolah nilai pixel gambar [8].
Persamaan untuk mendapatkan nilai grayscale ditunjukkan pada
Persamaan 2.1.
𝑌(𝑥,𝑦) = (0,299 ∗ 𝑅) + (0,587 ∗ 𝐺) + (0,114 ∗ 𝑅) (2.1)
Keterangan :
Y = derajat keabuan
R = pixel channel Red
G = pixel channel Green
B = pixel channel Blue
2.3. Gaussian Blur
Filter Gaussian diketahui sangat baik digunakan dalam menghilangkan
noise yang memiliki sifat yaitu sebaran nomal, yang banyak ditemui dalam
sebaran citra pada hasil proses digitalisasi menggunakan kamera.
Proses blurring dengan fungsi gauss disebut dengan gaussian blur.
Secara umum, metode ini berguna supaya noise pada gambar dapat
berkurang dan detail pada graphic software, aplikasi pengolahan citra
dan computer vision. Metode ini untuk memperbarui nilaipixel dengan
rata-rata pixel tetangga. Kemudian menghitung rata-rata seluruh pixel
tetangga [9].
Gaussian blur merupakan filter blur yang dapat meletakkan perubahan
warna yang cukup terlihat pada citra, lalu pertengahan warna citra untuk
11
dijadikan efek soft pada seluruh sisi dari citra. Gaussian blur ini
mempunyai formula agar mampu menjadi efek auto fokus supaya efek
berkabut dapat berkurang [10].
Berikut ini persamaan dari filter ini yaitu :
Matriks kernel gaussian ditunjukkan pada Persamaan 2.2.
G= [1 2 12 3 21 2 1
] (2.2)
Perkalian dengan nilai matriks dari gambar sesungguhnya dengan nilai
matriks kernel gaussian seperti pada Persamaan 2.3.
𝑃𝑖𝑥𝑒𝑙 𝐵(𝑖, 𝑗) = 1
𝐾∑ (∑ 𝐺(𝑝, 𝑞). 𝑃𝑖𝑥𝑒𝑙 𝐴 (𝑖 + 𝑝 −
(𝑁−1)
2, 𝑗 + 𝑞 −
(𝑀−1)
2)𝑀−1
𝑞=0 )𝑁−1𝑝=0 (2.3)
Keterangan :
Pixel A : Gambar asli
Pixel B : Bobot hasil perkalian
N : Jumlah kolom matriks kernel
K : Jumlah seluruhnilai di G
G : Nilai kernel gaussian
2.4. Deteksi Tepi Canny
Metode deteksi tepi ini mempunyai kelebihan dengan kemampuannya
dalam pendeteksian tepi dari citra dengan baik [1]. Deteksi tepi ini
dikatakan baik dalam hal kinerjanya, karena tepi yang sesungguhnya dapat
ddeteksi dengan yang bukan tepi. Kemudian memiliki pemosisian yang
baik dikarenakan tititk tepi akan sedekat mungkin ke pusat tepi yang
sesungguhnya. Metode ini menekan munculnya tepi palsu dikarenakan
hanya memiliki sebuah respon tepi tunggal [5].
12
Deteksi tepi ini juga disebut d deteksi tepi optimal yang dikembangkan
oleh Canny J.F. Metode ini mempunyai kelebihan dengan tingkat
kesalahan rendah dan tidak adanya respon terhadap non tepi. Kemudian
memiliki lokalisasi titik tepi yang baik, yaitu jarak di antara pixel tepi yang
ditemukan harus minimum. Selanjutnya hanya satu tanggapan yang
dimiliki terhadap satu sisi [11].
Berikut langkah-langkah dalam memperoleh hasil metode canny yaitu [12]
:
1. Mengkonversi citra ke grayscale
Citra yang masih berwarna diubah ke citra putih hingga hitam, yang
mempunyai 8 bit dengan kisaran 0 sampai 255. Nilai grayscale
didapatkan dengan Persamaan 2.1.
2. Gaussian Blur
Filter yang berfungsi dapat menghilangkan derau sehingga gambar
nampak lebih lembut. Hasil dari filter ini dapat dicari dengan
Persamaan 2.2 dan 2.3.
3. Menentukan intensitas gradien
Intensitaas gradien digunakan operator gradien yang dilaksanakan
secara horizontal dan vertikal. Berikut operator Gradien x dan y
ditunjukkan pada Persamaan 2.4.
𝐺𝑥 = [−1 0 1−2 0 2−1 0 1
] 𝐺𝑦 = [1 2 10 0 0
−1 −2 1] (2.4)
Hasil kedua operator tersebut digabungkan dengan Persamaan 2.5.
|𝐺| = √𝐺𝑥2 + 𝐺𝑦2 (2.5)
13
Keterangan :
G = Operator gaussian
Gx = Gradien horizontal
Gy = Gradien vertikal
Nilai arah tepi citra dicari dengan persamaan 2.6.
𝜎 = tan−1(𝐺𝑦/ 𝐺𝑥) (2.6)
Keterangan :
𝜎 = Arah tepi
𝐺𝑦 = Gradien horizontal
𝐺𝑥 = Gradien vertikal
Untuk menghubungkan antara arah tepi dengan arah yang dilacak
maka dibagi ke dalam nilai derajat yaitu :
0-22,5 = Horizontal
157,5-180 = Horizontal
22,5-67,5 = Positif diagonal
67,5-112,5 = Vertikal
112,5-157,5 = Negatif diagonal
4. Non-maximum suppression
Proses untuk menghilangkan pixel yang tidak terdeteksi sebagai tepi,
hanya nilai yang maksimum yang dianggap tepi maka akan didapatkan
garis ramping. Hasil non-maximum suppression dapat dicari dengan
Persamaan 2.7.
14
𝑟 = ∝ 𝑏 + (1−∝)𝑎 (2.7)
Keterangan :
r : pixel gradien direction
a : pixel kiri dari r
b : pixel kanan dari r
∝= Jarak pixel
5. Double Thresholding
Gambar biner dapat dihasilkan dengan double thresholding yaitu
dengan low thresholding (T1) dan high thresholding (T2), proses ini
memiliki ambang double untuk menyempurnakan dari proses non-
maximum suppression dengan nilai pixel hitam (0) dan putih (255).
6. Edge Trancking by hysterisis
Tepi yang dianggap lemah dari batas nilai T1 yang terhubung dengan
tepi kuat maka akaan menjadi tepi sesungguhnya, sedangkan tepi yang
dianggap lemah yang tidak terhubung dengan tepii kuat maka tidak
akan menjadi tepi.
2.5. Thresholding
Thresholding adalah metode segmentasi dasar. Ambang batas dasar dapat
dibagi menjadi tiga metode: biner, truncate dan ambang batas ke nol.
Metode ini dapat digunakan dengan fungsi pembalik. Teknik canggih dari
thresholding adalah band dan multispectral thresholding. Thresholding
biasanya menggunakan gambar grayscale. Dalam kasus khusus jika tidak
dapat mengekstrak data dari citra grayscale, ambang multispektral
15
digunakan. Gambar multispektral dibuat dari gambar warna dengan tiga
saluran terpisah (R-Red, G-Green, B-Blue) [13].
Rumus mencari nilai threshold didapatkan dari Persamaan 2.8.
𝐺(𝑥,𝑦) = {𝑏𝑒𝑟𝑛𝑖𝑙𝑎𝑖 1 𝑗𝑖𝑘𝑎𝐹(𝑥,𝑦)≥ T}
𝐺(𝑥,𝑦) = {𝑏𝑒𝑟𝑛𝑖𝑙𝑎𝑖 0 𝑗𝑖𝑘𝑎𝐹(𝑥,𝑦)< T} (2.8)
Keterangan:
g(x,y) = nilai matriks thresholding.
f(x,y) = nilai yang akan di-threshold.
T = merupakan nilai batas threshold (0 – 255)
2.6. Dilasi dan Erosi
Operasi dilasi menghasilkan objek yang lebih lebar, karena pixel dengan
intensitas keabuan yang dianggap rendah akan diubah ke intensitas tinggi,
sedangkan operator erosi merupakan operasi pengecilan.
Objek diperluas dalam operasi dilasi, sehingga lubang-lubang kecil
mungkin diisi dan memisahkan objek yang terhubung. Objek berkurang
dalam operasi erosi digunakannya erosi batas-batas objek. Penggunaan
untuk memilih elemen struktur yang tepat dan bagaimana melakukan hal
tersebut terhadap objek yang ditujukan. Operasi ini bisa dikustomisasi
untuk penggunaan dari elemen struktur yang dianggap tepat, yang
menentukan secara tepat bagaimana objek tersebut dilatasi atau erosi [14].
16
2.7. Sortasi
Sortasi merupakan pemisahan suatu bahan beberapa himpunan
berdasarkan fisik yang berupa kadar air, ukuran, bentuk, berat, warna,
tekstur, jenis, dan benda asing. Berdasarkan fraksi kimia seperti komposisi
aroma dan rasa ketengikan. Serta berdasarkan keadaan biologisnya seperti
kerusakan, jenis dan banyaknya mikroba [15].
Sortasi dapat diartikan untuk proses memisahkan produk dengan aturan
yang tidak sesuai standar mutu dan produk yang memiliki standar mutu.
Sortasi ini dapat memudahkan kebutuhan konsumen. Hal penting dalam
sortasi yaitu bagaimana dilakukan degan efisien serta membutuhkan
konsentrasi.
2.8. Euclidean Distance
Proses sortasi akan ditentukan oleh ukuran pada buah tomat, untuk
pengukuran tomat digunakan metode euclidean distance yang biasanya
digunakan dalam menghitung kesamaan pada dua vektor [16]. Metode ini
digunakan pada matriks dengan diagonal nol, sehingga nilai-nilai matriks
diartikan hasil pengukuran jarak pada titik-titik di ruang euclidean.
Matriks simetris dengan bagian non negatif diagonal dan bagian non
diagonal muncul sebagai data dalam banyak ilmu eksperimental. Hal ini
bisa terjadi ketika nilai-nilai pengukuran dari jarak kuadrat antara titik-titik
di ruang euclidean [17]. Matriks jarak euclidean digunakan dalam
mewakili kuadrat jarak oleh pixel dari struktur tomat, sehingga akan dapat
17
diketahui jarak antar tepi tomat. Berikut ini persamaan dari euclidean
distance [18] :
𝑑 = √∑ (𝐼𝑖 − 𝑄𝑖)2𝑁𝑖=1 (2.9)
Ketentuan :
Ii = Koordinat titik x
Qi = Koordinat titik y
2.9. Raspberry Pi 3
Raspberry pi 3 merupakan modul mini komputer yang mempunyai
input/output digital port yang mirip pada mikrokontroller. Raspberry pi
(raspi) termasuk komputer single-board circuit (SBC) yang mempunyai
besar ukuran serupa dengan kartu kredit. Raspi mampu menjalankan
berbagai sistem operasi cukup lengkap seperti Linux dan Android.
Kelebihan raspberry pi dibandingkan mikrokontroller yaitu ia mampu
melaksanakan operasi yang dilakukan oleh komputer dengan sistemnya
yaitu operasi Linux, seperti membuat pemrograman dengan beberapa
bahasa, server dan melaksanakan sistem operasi memakai GUI.
Raspberry pi merupakan platform yang fleksibel dengan mampu
melakukan berbagai hal seperti mampu digunakan sebagai komputer
biasanya (general purpose computing), media belajar pemrograman yang
telah mampu mengolah beberapa bahasa pemrograman (C, Ruby, Java,
Perl dan lain-lain), dapat berintegrasi dengan alat-alat elektronika lain
(Project Platform) dan berfungsi sebagai center media yang mampu
mengolah video full screen HD pada monitor [19].
18
Gambar 2.2. Raspberry pi board [19].
Spesifikasi dari raspberry pi 3 yaitu :
Tabel 2.1 Spesifikasi raspberry pi 3
NO Spesifikasi Jenis/Ukuran
1 CPU 4x ARM Cortex-A53,
1.2GHz
2 SoC Broadcom BCM2837
3 GPU Broadcom VideoCore IV
4 RAM IGB LPDDR2 (900 MHz)
5 Networking 10/100 Ethernet, 2.4 GHz
802.11n wireless
6 Bluetooth Bluetooth 4.1 Classic,
Bluetooth Low Energy
7 Strorage MicroSD
8 GPIO 40-pin header, populated
9 Ports
HDMI, 3.5 mm analogue
audio-video jack, 4x USB
2.0, Ethernet, Camera
Serial Interface (CSI),
Display Serial Interface
(DSI)
19
2.10. Penelitian Terkait
Terdapat beberapa penelitian terkait dengan penelitian ini, antara lain
penelitian oleh Z. Stosic dan P. Rutesic pada tahun 2018 dengan judul An
Improved Canny Edge Detection Algorithm for Detecting Brain Tumors in
MRI Image yaitu sebuah penelitian untuk mengidentifikasi jaringan otak
dengan metode canny [2]. Kemudian penelitian selanjutnya oleh S.
Singhal dan S. Radhika pada tahun 2014 dengan judul Automatic
Detection of Buildings from Aerial Images Using Color Invariant Features
and Canny Edge Detection yakni sebuah penelitian berfungsi mendeteksi
dengan otomatis bangunan yang rusak dari udara melalui citra satelit
menggunakan deteksi tepi canny [3]. Penelitian dari Yultrisna dkk pada
tahun 2016 yaitu Rancang Bangun Alat Sortasi Otomatis untuk Buah
Tomat menggunakan Aplikasi Image Processing, tetapi untuk keberhasilan
penggunaan image processing sebesar 71% [4]. Penelitian terakhir dari
Thiang pada tahun 2008 yaitu otomasi pemisah buah tomat berdasarkan
ukuran dan warna menggunakan webcam sebagai sensor [20].
BAB III
METODE PENELITIAN
3.1. Waktu dan Tempat Penelitian
Penelitian serta perancangan ini dimulai pada November 2017 s.d.
November 2018, bertempat di Laboratorium Terpadu Teknik Elektro,
Jurusan Teknik Elektro Universitas Lampung.
3.2. Alat dan Bahan
Adapun alat dan bahan yang digunakan dalam penelitian ini yaitu:
Tabel 3.1 Alat dan bahan
NO Nama Alat dan Bahan Jumlah
1 Raspberry Pi 3 1 Unit
2 Kamera webcam 1 Unit
3 Motor DC 12 Volt 1 Unit
4 Belt Conveyor Secukupnya
5 Roller Conveyor 2 Unit
6 Besi siku lubang Secukupnya
7 Motor Servo MG995 1 Unit
8 Alumunium profil U Secukupnya
9 Mur dan Baut Secukupnya
10 Software Python 1 Unit
11 Laptop/PC 1 Unit
21
3.3. Metode Penelitian
Pada penelitian ini citra ditangkap menggunakan kamera webcam, objek
yang ditangkap citranya adalah buah tomat. Citra yang ditangkap akan
diolah oleh rapsberry pi 3 supaya mendapatkan hasil pengukuran ketika
proses sortasi buah tomat tersebut. Proses sortasi ini menggunakan
pengolahan citra dengan dengan deteksi tepi canny. Metode ini dianggap
lebih menguntungkan dikarenakan mempunyai kemampuan dalam
mendeteksi tepi sebuah objek.
3.3.1. Garis besar metode yang digunakan
Proses sortasi berfungsi untuk mengelompokkan buah tomat ke bagian
kelas yang ditentukan untuk meminimalisir kualitas produk yang kurang
layak dan dapat memasarkan hasil produk sesuai dengan hasil ukuran
objek tomat yang diuji . Pengolahan citra digunakan untuk proses sortasi
dengan menggunakan program python untuk memproses citra dari buah
tomat yang akan disortasi.
3.3.2. Diagram alir penelitian
Adapun diagram alir dari penelitian ini yaitu :
22
Tidak
Ya
Tidak
Ya
Tidak
Ya
Gambar 3.1. Diagram alir penelitian.
Diagram alir dari proses penyortiran buah tomat menggunakan raspberry Pi
3 adalah sebagai berikut :
Start
Studi Literatur
Bimbingan
Pembuatan Program
Simulasi
Pembuatan Alat
Apakah
Program
Benar ?
Apakah
Alat
Benar ?
Ambil Data
Pembuatan Laporan
Apakah
Laporan
Benar ?
End
23
Gambar 3.2. Diagram alir penyortiran buah tomat.
Pada Gambar 3.2. memperlihatkan diagram alir metode yang dipakai,
diawali dengan proses pengambilan gambar yang dilaksanakan oleh kamera
webcam, citra yang diambil masih dalam berwarna atau RGB yang akan
diproses ke citra grayscale, proses grayscale ini digunakan untuk
menyetarakan komposisi warna di citra tersebut diubah jadi citra keabuan,
ketika citra warna keabuan akan mempermudah dalam melaksanakan proses
selanjutnya.
Citra RGB Diubah ke
Citra Grayscale
Gaussian Blur
Thresholding
Deteksi Tepi dengan
Metode Canny
Menentukan Ukuran
End
Start
Citra Tomat
Membuat Kontur
Bounding Box
Menentukan Titik Tengah
24
Proses meminimalisir noise yang terdapat pada citra, untuk menghilangkan
noise ini menggunakan filter Gaussian blur, filter tersebut cukup baik untuk
menghilangkan noise karena dapat menyamarkan bintik-bintik yang terdapat
pada citra, sehingga hasil dari citra menjadi lebih baik. Proses pengolahan
citra selanjutnya yaitu thresholding yaitu citra akan diubah menjadi citra
biner (hitam dan putih), hanya ada dua pengelompokkan dari thresholding
yaitu citra hitam dan citra putih dengan nilai 0 s.d. 255.
Tahap selanjutnya yaitu mendeteksi objek melalui deteksi tepi yaitu jenis
canny, dalam proses ini citra yang telah melalui beberapa proses
sebelumnya akan dideteksi tepinya dari citra yang diuji. Selanjutnya adalah
mencari kontur atau bentuk citra ini dengan deteksi tepi, lalu dari kontur
tersebut dicari nilai titik tengahnya dari objek citra yang diuji, sehingga
selanjutnya bisa mencari ukuran tomat, citra ini digunakan bounding box
yang berfungsi dapat melihat objek buah tomat yang telah terdeteksi hingga
diakhir dapat mengelompokkan tomat tersebut ke dalam ukuran yang
ditentukan dalam program.
Citra Grayscale sortasi
Gambar 3.3. Diagram blok sistem.
Pada Gambar 3.3 menjelaskan blok diagram dari sistem pada proses sortasi
ukuran buah tomat. Proses pengolahan citra dilakukan setelah kamera
webcam mengambil citra yang kemudian akan diolah melalui raspberry pi 3
kemudian citra akan diolah menjadi grayscale yang selanjutnya ketika citra
Input
Kamera Raspberry
Pi 3
Katup
Konveyor
Box
25
telah menjadi citra keabuan kemudian diproses dengan deteksi tepi supaya
mengetahui ukuran dari buah tomat melalui citra tersebut. Ketika citra telah
diproses dengan deteksi tepi maka hasil ukuran akan terlihat. Hasil dari
ukuran tomat tersebut akan mempengaruhi pada katup konveyor, katup ini
dapat bergerak menyesuaikan hasil ukuran buah tomat tomat akan masuk ke
box yang sesuai dengan tingkat ukuran buah tersebut.
3.3.3. Citra digital
Data yang didapatkan adalah berbentuk citra dari buah tomat dengan
ukuran tomat yang berbeda-beda, yang ditangkap dengan kamera webcam.
Kemudian citra yang didapat akan diproses dengan pemrograman python
yang terinstal pada komputer dengan OS Windows.
3.3.4. Citra RGB diubah ke citra grayscale
Citra berbentuk RGB yaitu berupa gabungan dari beberapa citra kanal yang
bertumpuk dan berwarna. RGB mempunyai tiga buah warna yang disatukan
dalam menjadi sebuah susunan warna yang lebar. Pada lapisan masing-
masing menunjukkan nilai dari intensitas warna tertentu dengan warna
gelap, sehingga pada citra berwarna tiap pixel memiliki data berwarna
tertentu yang merupakan kesatuan dari warna kanal. Citra RGB akan diubah
ke citra grayscale, yaitu pixel yang terdapat warna-warna yang terdapat
antara warna hitam dan putih atau gradasi warna. Biasanya citra grayscale
berfungsi dapat menyetarakan intensitas warna, sehingga citra grayscale
warna merah, hijau maupun biru mempunyai nilai pixel yang sejenis. Ketika
26
citra telah diubah ke citra grayscale, maka nampak jelas bentuk dari objek
yang ada di citra yang diuji. Objek akan dideteksi sebagai buah tomat
apabila terdapat garis keabuan yang berbentuk bulatan dengan garis tepi
yang mempunyai perbedaan intensitas keabuan yang membedakan objek
dengan background.
3.3.5. Gaussian blur
Gaussian blur merupakan filter yang berguna untuk mengurangi noise
yang mempunyai sifat menyebar. Citra tomat yang telah diolah menjadi
grayscale kemudian citra diproses menggunakan gaussian blur supaya
mendapatkan citra yang lebih baik dari sebelumnya, noise yang terdapat
pada citra akan berkurang hingga hasil citra lebih halus.
3.3.6. Thresholding
Thresholding berfungsi dapat mengubah perbedaan intensitas nilai citra
yang signifikan, proses thresholding ini citra yang sebelumnya telah
menjadi grayscale dan gaussian blur dikonversi ke citra biner yaitu
mengkategorikan nilai dari derajat keabuan citra buah tomat ke dalam dua
kelas (hitam dan putih), dengan nilai 0 yaitu hitam serta 255 yaitu putih.
3.3.7. Edge detection
Edge detection atau deteksi tepi dengan metode canny yaitu untuk menandai
batas dari objek, juga dapat menampakkan sebuah garis batas citra objek.
Deteksi tepi mempunyai dua titik yaitu (x,y) dari objek yang telah
27
didapatkan, proses ini mengkonversikan daerah tepi menjadi dua macam
nilai, yakni nilai warna intensitas rendah dan nilai warna intensitas tinggi.
Deteksi tepi ini penting dalam proses selanjutnya yakni identifikasi ukuran
buah tomat.
3.3.8. Membuat kontur
Kontur didapatkan setelah melakukan deteksi tepi pada objek, kemudian
dibuat kontur yang berguna membentuk batas daerah antara objek dengan
background. Kontur ini berbentuk garis-garis khayal yang mengkoneksikan
titik-titik sehingga objek tersebut akan nampak.
3.3.9. Bounding box
Bounding box yaitu garis yang berbentuk kotak mengelilingi objek.
Bounding box ini didapatkan dari nilai titik terjauh sumbu (x,y) dari
proses deteksi tepi dan kontur, sehingga dari nilai titik terjauh tersebut
akan terbentuk garis kotak yang mengelilingi objek citra.
3.3.10. Menentukan titik tengah
Menentukan titik tengah dengan menentukan dua titik terjauh di sumbu
(x,y) masing-masing akan terhubung membentuk garis di tengah-tengah
yang membentuk midpoint (titik tengah).
28
3.3.11. Menentukan ukuran
Menentukan ukuran harus menggunakan acuan ukuran tomat, nilai acuan
ini yang menjadi perbandingan dalam menentukan ukuran objek,
perbandingan acuan ini bersifat berbanding lurus terhadap hasil pengkuran
dalam sistem, sehingga apabila hasil pengukuran berbanding terbalik maka
diproses mengolah citra terdapat kesalahan.
3.3.12. Perancangan sistem
Gambar 3.4 Blok diagram perancangan sistem.
Gambar 3.4 merupakan gambaran cara kerja dari sistem penelitian ini,
diawali dengan mengenali buah tomat dengan kamera webcam, kamera ini
yang berguna untuk menangkap gambar tomat dengan mengidentifikasi
warna RGB dari tomat tersebut. Kemudian hasil dari kamera akan diolah
raspberry pi 3 agar dapat diketahui ukuran dari tomat tersebut. Sistem
kamera terhubung langsung dengan raspberry pi 3 yang mendapatkan daya
dari power supply, kemudian hasil dari pengolahan raspberry pi 3 akan
masuk ke proses dengan motor DC dan motor servo.
Tomat
Motor DC
Raspberry Pi 3
Power supply
Kamera
Motor Servo
29
Sistem selanjutnya yaitu memiliki fungsi untuk menyortir tomat setelah
diidentifikasi, yaitu sebuah konveyor dan motor servo yang terdapat pada
ujung konveyor. Pada koveyor untuk menggerakkan yaitu motor DC.
Kemudian ketika tomat masuk ditahap sortasi, motor servo bergerak ke arah
sesuai hasil pengukuran tomat. Berikut ini rancang bangun dari alat
penyortiran buah tomat diperlihatkan pada Gambar 3.5.
Gambar 3.5 Rancang bangun alat penyortir buah tomat.
Citra dari tomat yang telah diolah dengan canny kemudian akan
memperlihatkan hasil berupa ukuran dari buah tomat tersebut. Penyortiran
ini dikelompokkan berdasarkan ukuran objek dengan dibagi dalam 3 kelas,
yaitu kelas 1, kelas 2 dan kelas 3. Besarnya diameter buah tomat dengan
pengelompokkan kelas dapat dilihat pada Tabel 3.2.
30
Tabel 3.2 Pengelompokkan ukuran buah tomat berdasarkan diameter
Tingkat Ukuran Diameter (cm)
Kelas 1 (Besar) 5-6
Kelas 2 (Sedang) 4,0 – 4,99
Kelas 3 (Kecil) <4
3.4. Perangkat Lunak
Rancang bangun ini didalamnya sudah terdapat raspbian jessie yaitu suatu
operating sistem di linux yang disebut dengan raspbian, sedangkan
penggunaaan pada raspberry pi 3 disebut raspbian, kemudian jessie yaitu
versi dari Rasbian yang terbaru. Berikut ini tampilan dari Raspbian Jessie
yang tedapat pada raspberry pi 3 yang ditunjukkan pada Gambar 3.6.
Gambar 3.6. Dekstop raspbian jessie.
31
3.4.1 Pemrograman python
Pemrograman pada raspberry pi 3 tidak hanya menggunakan satu perangkat
lunak saja, tetapi juga membutuhkan perangkat yang lainnya yang bisa
mendukung raspberry bisa bekerja dengan baik di suatu sistem. Python 2.7
ialah perangkat lunak yang digunakan pada sistem ini. Berikut ini tampilan
perangkat lunak python 2.7 yang ditunjukkan pada Gambar 3.7.
Gambar 3.7. Tampilan pemrograman python.
3.5 Perangkat Keras
Perancangan perangkat keras pada penelitian ini menggunakan sejumlah
komponen yang disusun menjadi kesatuan sistem, sehingga mengdapatkan
fungsi sesuai yang diinginkan. Komponen tersebut antara lain seperti :
32
3.5.1 Raspberry pi 3
Penelitian ini menggunakan raspberry pi 3 sebagai pengendali atau otak
dari sistem alat ini. Komponen ini disebut dengan prosesor yang
mempunyai I/O yang cukup banyak yaitu 40 pin, memiliki RAM sebesar
1GB yang ditunjukkan pada Gambar 3.8.
Gambar 3.8. Raspberry pi 3.
3.5.2 Kamera
Kamera yang digunakan yaitu webcam Logitech USB Cam 720p HD
dengan resolusi kamera sebesar 3MP. Kamera ini berguna untuk sensor
yang digunakan untuk mendeteksi masukan pada konveyor. Kamera ini
ditempatkan diatas konveyor dengan tinggi 12 cm. Gambar 3.9.
menunjukkan kamera webcam yang digunakan.
33
Gambar 3.9 Kamera webcam.
3.5.3 Motor Servo
Motor servo yaitu jenis aktuator atau perangkat yang dipakai untuk suatu
sistem kontrol dengan feed back loop tertutup. Sudut posisi motor servo
dapat diatur dan dapat menentukan posisi motor pada poros output motor.
Motor servo ini oleh beberapa komponen seperti gear, motor DC dan
potensiometer. Motor servo dapat berputar seperti arah jarum jam dan
berlawanan dengan jarum jam dan sudut motor servo diatur sesuai lebar
pulsa yang dikirim dari kaki sinyal motor servo tersebut. Pada alat ini motor
servo berfungsi untuk mengarahkan objek sesuai dengan box. Ketika motor
servo belok ke kiri (120o) berarti menunjukkan tomat berukuran besar (kelas
1), apabila lurus (95o) maka menunjukkan tomat berukuran sedang (kelas 2)
dan apabila belok ke kanan (65o) menunjukkan tomat berukuran kecil (kelas
3).
34
Gambar 3.10 Motor Servo.
3.5.4 Motor DC
Motor DC (Direct Current) yaitu perangkat yang dipakai untuk mengubah
suatu energi listrik menjadi gerakan dengan arus searah. Motor DC
berfungsi menggerakkan roller pada konveyor. Motor DC ditempatkan di
dekat roller konveyor maka saat motor DC bergerak konveyor akan
berjalan. Motor ini memiliki tegangan sebesar 12 volt dengan worm
gearbox, daya motor ini berasal dari power supply. Motor ini mempunyai
torsi sebesar 8,5 kg dengan rpm sebesar 127 dengan dimensi 90x50x60 mm.
35
Gambar 3.11. Motor DC.
3.5.5 Roller konveyor
Roller konveyor digunakan untuk penggerak belt konveyor. Roller tersebut
harus tersambungkan dengan motor DC karena motor DC ini yang menjadi
dasar penggerak dari roller konveyor. Pada alat ini terdapat dua buah roller
di bagian depan dan belakang.
3.5.6 Belt Konveyor
Belt konveyor merupakan tempat objek diletakkan dan disaat yang
bersamaan konveyor sedang berjalan. Belt konveyor akan mengangkut
tomat menuju box. Belt konveyor ini memakai bahan karet yang berwarna
hitam dengan lebar 12 cm dan panjang 70 cm.
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Setelah dilakukan pembahasan dan perancangan, maka dapat diambil
simpulan sebagai berikut :
1. Metode canny dapat diaplikasikan untuk proses penyortiran buah tomat
berbasis rapberry pi 3.
2. Telah terealisasi pembuatan rancang bangun untuk menyortir buah tomat
dengan raspberry pi 3 dengan tingkat kesalahan 16%.
3. Tingkat kesalahan dipengaruhi oleh hasil citra yang blur, sehingga hasil
deteksi tepi kurang maksimal, serta hasil perhitungan jarak dari euclidean
distance.
5.2 Saran
Setelah dilakukan penelitian dan menghasilkan kesimpulan, maka untuk
pengembangan sistem lebih lanjut ini disarankan :
1. Penggunaan kamera yang lebih baik supaya mendapatkan kualitas citra
yang lebih baik dari penelitian ini.
2. Penggunaan sensor dalam mengambil citra buah tomat sehingga dalam
pengambilan citra dapat secara otomatis ketika adanya buah tomat.
57
3. Penggunaan pre-processing setelah pengambilan citra oleh kamera agar
kualitas citra menjadi lebih baik.
4. Penggunaan metode pengolahan citra yang lain, seperti adaptive
thresholding.
DAFTAR PUSTAKA
[1] K. B. Krishnan, S. P. Ranga dan N. Guptha, “A Survey on Different Edge
Detection Techniques for Image Segmentation”, Indian Journal of Science
and Technology, vol 10(4), pp. 1-8, Januari 2017.
[2] Z. Stosic dan P. Rutesic, “An Improved Canny Edge Detection Algorithm for
Detecting Brain Tumors in MRI Image”, International Journal of Signal
Processing, vol 3, pp. 11-15, 2018.
[3] S. Singhal dan S. Radhika, “Automatic Detection of Buildings from Aerial
Images Using Color Invariant Features and Canny Edge Detection”,
International Journal of Engineering Trends and Technology (IJETT), vol
11, no. 8, pp. 393-396, Mei 2014.
[4] Yultrisna danA. Syofian, “Rancang Bangun Alat Sortasi Otomatis untuk
Buah Tomat Menggunakan Aplikasi Image Processing”, Politeknik Negeri
Padang dan Institut Teknologi Padang. Jurnal Teknik Elektro ITP, vol 5,
no. 2, pp. 153-159, Juli 2016.
[5] X. Liu dan J. Xi, “An Algorithm for Improved Canny Adaptive Edge
Detection in Image Processing”, School of Electrical Engineering and
Information, Southwest Petroleum University China, pp. 16.1-16.6, DOI
10.5013/IJSSST.a.17.19.16.
[6] S.R. Sulistiyanti, F.X.A. Setyawan dan M. Komarudin, Pengolahan Citra
Dasar dan Contoh Penerapannya. Edisi Pertama. Yogyakarta : Teknosain,
2016.
[7] Binus University. Citra Digital [online]. Available :
http://library.binus.ac.id/eColls/eThesisdoc/Bab2HTML/2009100061IFbab2
/page16.html
[8] C.N. Santi, “Mengubah Citra Berwarna Menjadi Grayscale dan Citra biner”,
Jurnal Teknologi Informasi DINAMIK, vol 16, no. 1, pp. 14-19, Januari
2011.
[9] F. Bozkurt, M. Yoganoglu dan F.B. Gunay, “Effective Gaussian Blurring
Process on Graphics Processing Unit with CUDA”, International Journal of
Machine Learning and Computing, vol 5, no. 1, pp. 57-61, Februari 2015.
[10] A. Wedianto, H.L. Sari dan Y. Suzantri, “Analisa Perbandingan Metode
Filter Gaussian, Mean dan Median Terhadap Reduksi Noise”, Jurnal Media
Infotama, vol 12, no. 1, pp. 21-30, Februari 2016.
[11] M. S. Bhadange dan Y. R. Kalshetty, “Querying Image by Content Using
Color, Texture and Shape”, International Journal of Scientific Engineering
and Research (IJSER), vol 5, Issue 2, pp. 78-82, Februari 2017.
[12] J. Liang. (2016 Maret 21). Canny Edge Detection [online]. Available :
www.http://justin-liang.com/tutorials/canny/
[13] Rinaldi Munir, Pengolahan Citra Digital dengan Pendekatan Algoritmik.
Bandung : Penerbit Informatika, 2004.
[14] Rashmi, M. Kumar dan R. Saxena, “Algorithm and Technique on Various
Edge Detection: A Survey. Signal & Image Processing”, An International
Journal (SIPIJ), vol 4, no. 3, pp. 65-75, Juni 2013.
[15] A. Anugrahandy, B.D. Argo dan B. Susilo, “Perancangan Alat Sortasi
Otomatis Buah Apel Manalagi (Malus sylvestris Mill) Menggunakan
Mikrokontroler AVR ATMega 16”, Jurnal Keteknikan Pertanian Tropis
dan Biosistem, vol 1, no. 1, pp. 1-9, Februari 2013.
[16] S.R. Wurdianarto, S.Novianto dan U.Rosyidah, “Perbandingan Euclidean
Distance dengan Canberra Distance pada Face Recognition”,
Techno.COM, vol 13, no 1, pp. 31-37, Februari 2014.
[17] S.Al-Homidan, “Structure Method for Solving the Nearest Euclidean
Distance Matrix Problem”. Springer, Journal of Inequalities and
Applications, pp. 1-7, 2014.
[18] J. Vanitha dan Dr. M. SentilMurugan, “Feature Matching Process Using
Euclidean Distance of Weighted Block Color Histogram and Color Co-
Occurrence Matrix for Content Based Image Retrieval System”,
International Journal of Engineering Technology and Advance
Engineering, vol. 7, Issues 6, 143-147, Juni 2017.
[19] A. Adriansyah, M Rizki dan Yuliza, “Rancang Bangun dan Analisa CCTV
Online Berbasis Raspberry Pi”, Jurnal Universitas Mercu Buana, pp. 105-
110, ISSN: 1410-233, Juni 2014.
[20] L.I. Thiang, “Otomasi Pemisah Buah Tomat Berdasarkan Ukuran dan
Warna menggunakan Webcam sebagai Sensor”. Seminar Nasional Ilmu
Komputer dan Aplikasinya – SNIKA 2008, pp. 1-5, November 2008.