Klasifikasi Fisik Inti Sawit Menggunakan Real Time Image Processing Dan K-Nearest Neighbourhood (Knn).

Abstract

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.