Klasifikasi Fisik Inti Sawit Menggunakan Real Time Image Processing Dan K-Nearest Neighbourhood (Knn).
View/ Open
Date
2016Author
Nugraheni, Okta Danik
Astika, I Wayan
Subrata, I Dewa Made
Metadata
Show full item recordAbstract
Penentuan mutu inti sawit secara fisik hingga saat ini masih dilakukan
secara manual dengan memisahkan inti sawit menjadi 3 (tiga) bagian yaitu
kotoran, inti pecah dan inti utuh (DSN 1987). Penentuan mutu inti sawit secara
manual seringkali mengakibatkan terjadi konflik antar pembeli dan penjual
mengenai mutu inti sawit, kondisi ini tentunya akan merugikan kedua belah pihak.
Selain itu proses penentuan mutu secara manual memiliki kekurangan pada
rendahnya efisiensi, objektifitas, dan tingkat konsistensi, sehingga perlu dilakukan
pengembangan metode identifikasi mutu inti sawit yang baik dan akurat.
Beberapa peneliti telah mengembangkan metode pengolahan citra untuk
penentuan mutu objek yang berbentuk biji-bijian dengan akurasi yang cukup baik
berkisar antara 60-100% diantaranya penentuan mutu biji kopi (Sofi’i et al. 2005;
Soedibyo et al. 2009), biji pala (Dinar et al. 2012), biji kismis (Mollazade et al.
2012) dan biji ginko (Ahmad 2013). Beberapa peneliti juga telah berhasil
membangun sistem penentuan mutu bijian secara otomatis yang terdiri atas
mesin inspeksi otomatis berbasis pengolahan citra (Wan 2002; Soedibyo et al.
2010) meskipun sistem mesin tersebut masih membutuhkan investasi yang cukup
besar. Sebagian besar dari penelitian tersebut dikembangkan menggunakan
algoritma Artificial Neural Networks (ANN). Menurut Arifin (2012) klasifikasi
menggunakan K-Nearest Neighbor (KNN) lebih mudah dan lebih handal untuk
direpresentasikan dibandingkan dengan algoritma lain seperti Support Vector
Machines (SVM), Naive Bayessian (NB) dan Artificial Neural Networks (ANN).
Namun KNN membutuhkan alokasi memori yang besar karena tidak membangun
model klasifikasi dalam prosesnya.
Secara visual inti sawit utuh, pecah, dan kotoran dapat dibedakan
berdasarkan bentuk, ukuran dan karakteristik kekasaran permukaan. Biji inti sawit
utuh memiliki rata-rata panjang 1.57 cm, lebar 0.92 cm, kebulatan 80 % dan berat
1.11 gram. Sedangkan kotoran memiliki rata-rata panjang 1.39 cm, lebar 0.48 cm,
kebulatan 60% dan berat 0.40 gram (Akubuo 2002). Berdasarkan karakteristik
fisik tersebut, penentuan klasifikasi fisik inti sawit dilakukan menggunakan
analisis tekstur dan morfologi. Pada penelitian ini klasifikasi fisik inti sawit
dilakukan menggunakan image processing secara real time dengan metode
klasifikasi K-Nearest Neighbourhood (KNN).
Secara umum tujuan penelitian ini mengembangkan sistem klasifikasi fisik inti
sawit berbasis pengolahan citra dan KNN secara real time. Secara spesifik tujuan
penelitian ini adalah 1) Mengembangkan algoritma pengolahan citra inti sawit secara
real time berdasarkan morfologi dan tekstur, 2) Melakukan pendugaan klasifikasi
fisik inti sawit menggunakan KNN.
Bahan yang digunakan dalam penelitian ini adalah inti sawit yang diperoleh
dari pabrik pengolahan kelapa sawit (PKS) PTPN VIII Cikasungka, Jawa Barat.
Peralatan yang digunakan terdiri atas nampan, timbangan digital dan perangkat
pengambilan citra.
iii
iii
Penelitian dimulai dengan perancangan alat pengambilan citra kemudian
dilanjutkan dengan pengembangan algoritma pengolahan citra dan pengembangan
real time image processing, persiapan sampel inti sawit, pelatihan perangkat lunak
dan pengujian sistem.
Perangkat pengambilan citra inti sawit dirancang untuk dapat memisahkan
setiap biji inti sawit satu dengan lainnya sehingga memudahkan proses klasifikasi.
Perangkat pengambilan citra terdiri atas laptop, kamera handphone 8 MP,
dudukan kamera, dudukan lampu neon, lampu neon 8 watt, rangka, tray berlubang
untuk pemisahan inti sawit, dan alat perata untuk memasukkan inti sawit ke dalam
tray berlubang.
Perangkat lunak pengolahan citra dikembangkan menggunakan bahasa
Matlab R2014a dengan Sistem Operasi Windows 7 dengan script program
pengolah citra yang terdapat dalam toolbox image processing. Tahapan
pengambangan algoritma pengolahan citra terdiri atas : 1) Pembacaan image, 2)
Membedakan antara latar dan objek dengan metode binerisasi, 3) Pelabelan dan
deteksi tepi objek, 4) Temu kembali citra, 5) Mengubah mode citra menjadi
grayscale, red, green, blue, 6) Karakteristik ciri masing-masing citra, dan 7)
Analisis KNN.
Sistem Real time image processing dilakukan dengan bantuan aplikasi
droidcam client V.6 yang dapat di download pada playstore. Aplikasi tersebut
merubah fungsi kamera handphone menjadi web-cam.
Citra dari inti utuh, pecah dan kotoran diubah menjadi citra keabuan
(grayscale), selanjutnya dilakukan ekstraksi ciri histogram untuk menganalisis
tekstur permukaan yang akan menghasilkan data ciri statistik dan morfologi.
Klasifikasi prediksi ketepatan mutu inti sawit dilakukan menggunakan KNN.
Kombinasi dari data ciri statistik dan morfologi dilakukan untuk mendapatkan
ketepatan prediksi yang terbaik dengan mengacu pada jumlah tetangga (k). Hasil
penelitian dengan menggunakan data uji sebanyak 90 gram atau 136 butir biji inti
sawit menunjukkan akurasi tertinggi saat nilai k 27. Waktu yang dibutuhkan pada
proses klasifikasi inti sawit secara real time relatif lebih lama pada proses
penebaran dan perataan biji yang membutuhkan waktu 110.5 detik, sedangkan
pada proses klasifikasi program hanya membutuhkan waktu 29.13 detik. Akurasi
dalam pendugaan kategori inti sawit dengan cara ditebar mencapai 76.03% pada
pendugaan jumlah butir, dan 71.31% pada pendugaan jumlah massa.
Collections
- MT - Agriculture Technology [2276]