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.