chapter ii rss
TRANSCRIPT
-
7/25/2019 Chapter II Rss
1/15
BAB 2
LANDASAN TEORI
2.1 Karet Ribbed Smoked Sheet(RSS)
Karet Lembaran Asap atau biasa disebut dengan Ribbed Smoke Sheet (RSS)
merupakan salah satu jenis produk karet olahan dari getah tanaman karet Hevea
brasiliensisyang di peroleh secara perkebunan maupun perorangan (Khomah et all,
2013). Produk olahan tanaman karet ini memiliki banyak kegunaan dalam pasar
industri sebagai bahan baku pembuatan industri otomotif dan ban. Di tingkat dunia,
Thailand, Indonesia dan Malaysia merupakan pengekspor karet terbesar di dunia.
Indonesia memiliki kecenderungan pengeksporan karet ke negara Amerika Serikat
(Sinaga, 2011).
Karet Ribbed Smoked Sheet (RSS) diolah secara mekanis dan kimiawi melalui
beberapa proses pengolahan yaitu penerimaan lateks kebun, pengenceran, pembekuan,
penggilingan, pengasapan dan sortasi. Karet Ribbed Smoked Sheet ini banyak
digunakan dalam pembuatan ban kendaraan bermotor. Karet Ribbed Smoked Sheet
dapat dilihat pada Gambar 2.1
(a)
(b)
Gambar 2.1Karet RSS : (a) Jenis karet RSS1 ; (b) Jenis karet RSS2
Universitas Sumatera Utara
-
7/25/2019 Chapter II Rss
2/15
7
Proses pengolahan karetRibbed Smoked Sheet(RSS) antara lain :
Penerimaan Lateks dari pohon karet yang disadap dan dikumpulkan dalam
wadah untuk selanjutnya disaring guna memisahkan kotoran dan bagian lateks
yang mengalami prakoagulasi
Lateks dialirkan ke bak koagulasi untuk diencerkan guna memudahkan
penyaringan kotoran dan menyeragamkan kadar karet kering agar mutu tetap
dapat dijaga
Dilakukan pembekuan lateks di dalam bak koagulasi dengan menambah zat
koagulan yang bersifat asam berupa asam semut atau asam asetat dengan
konsentrasi 1-2% dengan dosis 4 ml/kg karet kering. Tujuan penambahan zat
koagulan adalah untuk menurunkan pH lateks sehingga lateks akan beku.
Penambahan koagulan harus disertai pengadukan yang dilakukan sebanyak 6-
10 kali maju dan mundur guna mencegah terbentuknya gelembung udara yang
akan mempengaruhi lembaran yang dihasilkan.
Setelah proses pembekuan, maka akan dilakukan poses penggilingan untuk
mengeluarkan air, mengeluarkan serum, dan membentuk garis pada lembaran
dan menipiskan lembaran.
Dilakukan pengasapan di dalam kamar asap untuk mengeringkan lembaran,
memberi warna coklat dan menghambat pertumbuhan jamur pada permukaan.
Lembaran yang telah matang dari kamar asap akan ditimbang dan dicatat
dalam arsip produksi dan dilakukan proses sortasi. Proses sortasi dilakukan
secara manual untuk melihat warna, kotoran, gelembung udara, jamur dan
kehalusan gilingan yang telah disesuaikan pada standar SNI 06-0001-1987
Tabel 2.1. Syarat Kelas Mutu Visual RSS
Kelas Mutu Penampakan Visual Cacat yang Diperkenankan
RSS-1 -Kering, bersih, kekar,
liat
-Warna cerah dan
seragam
-
Bebas dari gelembung
udara, bintik putih,
Sedikit gelembung udara
sebesar kepala jaru dengan
letak tersebar
Universitas Sumatera Utara
-
7/25/2019 Chapter II Rss
3/15
8
jamur, bercak, karat dan
bahan lainnya
RSS-2 -Kering, bersih, kekar,
liat
-
Warna cukup cerah dan
cukup seragam
-Masih diperkenankan
adanya bintik atau
bercak
- Bercak karat atau jamur
kurang dari 5 %
-
Sediki gelembung udara
sebesar kepala jarum
dengan letak tersebar
RSS-3 - Tebal, gelap, warna
tidak merata
-
Terdapat gelembung
udara dan titik mentah
serta lengket
-Gelembung udara
sebesar tiga kali ukuran
jarum
-Bercak, karat dan
cendawan lebih dari
10%
Sumber : Badan Penelitian Teknologi Karet Bogor (2000)
Namun pada proses sortasi yang dilakukan oleh PT Perkebunan hanya dilandasi
pada jumlah gelembung yang terdapat pada permukaan lembaran karet RSS. Setiap
proses pengolahan harus selalu diperhatikan dan diawasi dengan benar. Pengolahan
yang dilakukan secara salah pada salah satu tahap akan menghasilkan produksi karet
RSS yang tidak bagus dan akan menyebabkan kerugian yang besar. Beberapa faktor
yang perlu diperhatikan dalam pengolahan karet RSS antara lain :
Getah berasal dari karet yang muda yang menghasilkan karet yang lekat,
lembek dan mudah diulur saat digantung di dalam ruang asap.
Kebersihan getah dari mulai masuk ke kebun sampe akan diolah di pabrik
harus dijaga sehingga hasil produksi yang dihasilkan sesuai dengan standard
mutu
Perlunya penambahan antikoagulan untuk tangki penerima karet yang jauh dari
pabrik. Penambahan antikoagulan sebaiknya tidak melebihi batas yang
ditetapkan sehingga dapat mncegah pemakaian asam semut yang berlebihan
saat proses pembekuan
Universitas Sumatera Utara
-
7/25/2019 Chapter II Rss
4/15
9
Pemberian koagulan yang berlebihan akan menyebabkan koagulum menjadi
keras dan sulit digiling.
Penggilingan RSS dilakukan untuk memisahkan air dari gumpalan. Kecepatan
penggilingan berbeda antara rol yang satu dengan yang berikutnya.
2.2 Pengolahan Citra
Pengolahan citra merupakan proses pengolahan dan analisis citra tentang persepsi
pada suatu citra. Pengolahan citra digital adalah disiplin ilmu yang mempelajari hal
yang berhubungan dengan perbaikan citra, kualitas citra (peningkatan kontras,
transformasi warna, restorasi citra), transformasi citra (rotasi, translasi, skala,
transformasi geometrik), melakukan pemilihan ciri citra (feature image)yang optimal
untuk dianalisis, penarikan informasi pada objek atau pengenalan objek yang
terkandung pada citra, melakukan kompresi untuk memperkecil penyimpanan data,
transmisi data dan waktu proses data. Input dari pengolahan citra adalah citra dan
output-nya berupa citra hasil pengolahan (Sutoyo et al, 2009)
Terminologi yang berkaitan dengan pengolahan citra adalah Computer vision.
Computer vision ini mencoba meniru cara kerja sistem visual manusia. Dalam
berbagai aplikasi Computer vision yang banyak dikembangkan adalah proses
mengambil informasi dari gambar berupa fitur yang telah diekstraksi secara otomatis
dari gambar itu sendiri. Proses ini sering disebut sebagai CBIR (Content-Based Image
Retrieval) Proses yang menjadi populer selama beberapa tahun dalam bidang
pengolahan citra (Choras, 2007).
CBIR menggabungkan beberapa teknologi seperti multimedia, pengolahan citra
dan sinyal, pengenalan pola, interaksi manusia dan komputer serta ilmu informasi
persepsi manusia. Proses CBIR dapat dibagi dalam beberapa tahapan yaitu :
1. Preprocessing
Proses ini digunakan untuk memproses citra sebelum dilakukan ekstraksi fitur
dalam mendeskripsikan konten citra. Proses ini terdiri atas penyaringan,
normalisasi, segmentasi, dan identifikasi objek. Hasil akhir dari proses
preprocessingini adalah sebuah area atau pun objek yang akan diekstraksi.
Universitas Sumatera Utara
-
7/25/2019 Chapter II Rss
5/15
10
2. Ekstraksi Fitur
Proses mengambil nilai inti (fitur) dari citra yang menggambarkan bentuk,
tekstur, warna dan lain-lain.
Beberapa algoritma yang digunakan dalam pengembangan CBIR terdiri atas tiga tugas
yaitu :
Ekstraksi Fitur
Seleksi
Klasifikasi
Dari ketiga tugas ini, ekstraksi fitur memiliki fungsi paling penting karena fitur
tertentu didapatkan untuk mendiskriminasikan suatu fitur yang dapat mempengaruhi
proses klasifikasi. Pada proses klasifikasi pada CBIR , pengolahan citra dan
pengenalan pola merupakan bagian CBIR. Pada CBIR, pengolahan citra merupakan
proses awal dan pengenalan pola merupakan proses intepretasi citra.
Pada penelitian ini akan dilakukan beberapa proses pada prapengolahan yang
akan digunakan untuk mendapatkan nilai fitur pada proses ekstraksi fitur antara lain :
Resizing
Pada proses ini, citra akan diperkecil ukuran pikselnya guna menambah fokus pada
objek yang akan diidentifikasi, membuang citra yang tidak memiliki informasi
penting, memperbesar area tertentu pada suatu citra serta mengubah orientasi citra
(Fajri, 2014).
Grayscale
Proses Grayscaleadalah proses merubah nilai - nilai piksel dari warna RGB menjadi
graylevel. Proses ini dapat digunakan untuk memisahkan bayangan dengan warna asli
pada citra. Pada citra terdiri dari 24 bit yang setiap pikselnya mengandung warna
dasar (Red, Green, Blue). Setiap warna dasar ini memiliki 8-bit warna yang berada
pada rentang warna 0 (00000000) sampai 255 (11111111). Proses perhitungan nilai
grayscale dapat dilakukan dengan persamaan (2.1)
2.1
Universitas Sumatera Utara
-
7/25/2019 Chapter II Rss
6/15
11
Thresholding
Proses thresholding digunakan untuk mengatur derajat keabuan pada citra. Pada
proses thresholding, citra memiliki dua tingkat keabuan yaitu hitam dan putih. Proses
penentuan tingkat warna citra pada proses thresholding dilakukan dengan
mendapatkan nilai ambang.
Pada proses ini, perhitungan nilai ambang dilakukan pada setiap piksel pada
citra. Jika nilai yang dihasilkan kurang dari nilai ambang maka nilai piksel tersebut
akan diubah menjadi warna hitam dan jika nilai yang dihasilkan lebih dari nilai rata-
rata maka nilai piksel akan diubah menjadi warna putih. Proses perhitungan nilai
ambang dapat dilakukan dengan persamaan :
Keterangan :
T = Nilai threshold
fmaks = Nilai piksel maksimum
fmin = Nilai piksel minimum
2.3
Ekstraksi Fitur
Ekstraksi fitur merupakan proses pengambilan ciri dari satu pola/bentuk sehingga di
dapatkan suatu nilai pada pola citra untuk dilakukan analisis pada proses selanjutnya.
Tugas ekstraksi fitur yaitu mengubah konten gambar menjadi berbagai konten fitur.
Fitur-fitur yang memungkinkan membantu dalam proses pendiskriminasian citra akan
digunakan pada proses selanjutnya. Sedangkan fitur yang tidak terpilih tidak akan
digunakan.
Dalam beberapa tahun ini, ekstraksi fitur menjadi trend dalam bidang
pengolahan citra. Proses ekstraksi fitur pada konten citra terbukti cukup handal
digunakan pada aplikasi professional dalam bidang industri, biomedis, otentifikasi
dan pencegahan kejahatan.
Ekstraksi fitur memiliki langkah paling penting karena fitur yang dihasilkan
dapat membantu mendiskriminasikan secara langsung dalam proses klasifikasi
(Choras, 2007). Hasil akhir dari proses ekstraksi fitur adalah kumpulan fitur dan
2.2
Universitas Sumatera Utara
-
7/25/2019 Chapter II Rss
7/15
12
sering disebut sebagai vektor fitur. Fitur yang dihasilkan merupakan hasil dari
representasi gambar.
Fitur didefinisikan sebagai fungsi dari beberapa pengukuran dimana setiappengukuran menentukan nilai dari sebuah objek dan dihitung sedemikian rupa
sehingga pengukururan karakteristik objek lebih signifikan. Fitur dapat
diklasifikasikan sebagai berikut :
1. Fitur umum
Fitur umum merupakan nilai fitur yang bersifat independen seperti warna, tekstur,
dan bentuk. Menurut level ekstraksi, fitur umum dibagi menjadi :
Fiturpixel-levelyaitu fitur dihitung pada setiap piksel.
Fitur local yaitu fitur dihitung berdasarkan hasil subdivisi dari pola citra
pada citra segmentasi ataupun deteksi tepi.
Fiturglobalyaitu fitur dihitung pada seluruh konten pada citra.
2. Fitur spesifik merupakan nilai fitur yang bersifat dependen seperti wajah manusia,
sidik jari, dan lain-lain.
Fitur dapat diklasifikasikan kedalam low-level featuresdan high-level features.
Proses ekstraksi pada low-level featuresdilakukan pada citra asli, dan proses ekstraksi
pada high-level features bergantung pada fitur low-level features. Proses Ekstraksi
fitur terbagi menjadi tiga macam yaitu :
a. Ekstraksi fitur bentuk
Ekstraksi fitur bentuk adalah perhitungan kesamaan / kedekatan antara
representasi bentuk dengan fiturnya. Bentuk merupakan fitur visual yang penting
dan merupakan salah satu fitur sederhana dalam mendeskripsikan konten citra.
Fitur bentuk dikategorikan pada teknik yang digunakan. Kategori tersebut terdiri
atas :
Berdasarkan batas (boundary-based)
Teknik ini merepresentasikan bentuk daerah dengan menggunakan
karakteristik eksternal.
Universitas Sumatera Utara
-
7/25/2019 Chapter II Rss
8/15
13
Berdasarkan daerah (region-based)
Teknik ini merepresentasikan bentuk wilayah dengan karakteristik
internal.
b. Ekstraksi fitur tekstur
Tekstur adalah salah satu bagian penting dari citra. Tekstur adalah descriptor
wilayah yang dapat membantu dalam proses pengambilan informasi. Tekstur
tidak memiliki kemampuan untuk menemukan kesamaan citra namun dapat
digunakan untuk mengklasifikasikan citra bertekstur dari non-tekstur dan
kemudian dapat dikombinasikan dengan fitur lainnya seperti warna untuk
mendapatkan pengambilan informasi yang lebih efektif.
Tekstur menjadi karakteristik penting yang dapat digunakan dalam
pengklasifikasikan dan mengenal objek dan memiliki kemampuan menemukan
persamaan antara citra-citra pada database multimedia. Pada dasarnya, metode
representasi tekstur dapat diklasifikasikan menjadi dua kategori yaitu struktural
dan statistik. Beberapa metode statistik antara lain Fourier power spectra, co-
occurrence matrices, shift-invariant principal component analysis (SPCA),
Tamura features, Gabor and wavelet transform.
c. Ekstraksi fitur warna
Pada ciri pembeda pada ekstraksi fitur adalah warna. Ekstraksi fitur warna
merupakan fitur visual yang sering digunakan pada proses pengambilan informasi
citra. Fitur warna dalam mengklasifikasikan citra memiliki keuntungan yaitu :
ketahanan, efektif, implementasi yang sederhana, komputasi yang sederhana dan
kemampuan penyimpanan yang kecil. Beberapa model warna yang sering
digunakan antara lain : RGB (Red, Green, Blue), HSV (Hue, Saturation, Value)
dan Y, Cb, Cr(Luminance and Chrominance).
2.4 Metode Zoning
MetodeZoningmerupakan salah satu metode dalam ekstraksi fitur. Metode Zoning
dalam proses ekstraksi fitur menghasilkan hasil yang baik dan efisien dalam proses
klasifikasi dan pengenalan (Rajashekararadhya & Ranjan, 2009). Setiap citra dibagi
Universitas Sumatera Utara
-
7/25/2019 Chapter II Rss
9/15
14
menjadi M x N zona dan dari setiap zona dilakukan perhitungan nilai fitur sehingga
didapatkan nilai fitur dan zona M x N. Adapun proses pada metode Zoning antara
lain:
Hitung jumlah piksel hitam dari setiap zona dari Z1sampai Zn.
Tentukan nilai zona yang memiliki nilai piksel hitam paling tinggi.
Hitung nilai fitur pada setiap zona dari Z1 sampai Zn dengan
persamaan (2.3).
2.5 Learning Vektor Quantization
Learning Vektor Quantization (LVQ) pertama kali diperkenalkan oleh Tuevo
Kohonen yang memperkenalkan Self-Organizing Feature Mapjuga. LVQ merupakan
jaringan hybrid yang menggunakan supervised dan unsupervised learning. Metode
LVQ telah digunakan oleh banyak peneliti dalam memecahkan masalah klasifikasi.
LVQ merupakan sebuah metode klasifikasi berdasarkan model kohonen yang
dikenal sebagai Self-Organizing Map Network (SOM). Namun LVQ merupakan
berbeda dengan SOM yang bersifat pembelajaran tidak terawasi, LVQ merupakan
algoritma pembelajaran terawasi versi model Kohonen dengan arsitektur algoritma
yang sederhana sehingga hanya terdiri dari satu lapisan input dan lapisan output
(Azara et al, 2012).
Learning VektorQuantization (LVQ) merupakan metode pola klasifikasi pada
setiap unit outputmewakili sebuah kelas/kategori tertentu. Vektor bobot dari sebuah
unit outputdigunakan sebagai vektor referensi untuk sebuah unit yang diwakili oleh
sebuah kelas (Wahyono & Ernastuti, 2009).
Arsitektur LVQ terdiri dari lapisan input (input layer), lapisan kompetitif dan
lapisan output (output layer). Sebuah bobot akan menghubungkan lapisan input
dengan lapisan kompetitif. Pada lapisan kompetitif, proses pembelajaran dilakukan
secara terawasi. Hasil lapisan kompetitif berupa kelas yang dihubungkan dengan
lapisan output oleh fungsi aktivasi. Arsitektur Jaringan LVQ dapat dilihat pada
Gambar 2.2
2.3
Universitas Sumatera Utara
-
7/25/2019 Chapter II Rss
10/15
15
Keterangan :
X1, X2, ..., Xn : Nilai input
||X-W1||, ||X-Wn||: Jarak bobot
H1, H2 : Lapisan output
D1, D2 : Nilai output
N : Jumlah data
W1,Wn : Nilai Data Inisialisasi
Pada Gambar 2.2 dapat dijelaskan bahwa nilai X1 sampai nilai Xn merupakan
nilai yang akan digunakan sebagai nilai input. Dengan nilai W1 sampai Wn sebagai
nilai bobot. Nilai input akan dilakukan perhitungan dengan nilai bobot untuk
mendapatkan jarak bobot terkecil. H1 dan H2 akan bertindak sebagai lapisan output
dimana Lapisan ini akan mewakili satu kelas. Maka pada Gambar 2.2 dapat dilihat
bahwa arsitektur memiliki 2 kelas. D1 dan D2 akan bertindak sebagai nilai output
pada lapisan outputyang akan digunakan sebagai bobot pada proses pengujian.
Adapun kelebihan dari LVQ adalah :
1) Nilai error yang dihasilkan lebih kecil dibandingkan dengan jaringan syaraf
tiruanBackpropagation
2) Data set yang besar dapat diringkas menjadi vektor kecil pada tahap klasifikasi
3) Tidak ada pembatasan pada dimensi codebook
4)
Model yang dihasilkan dapat dilakukan perbaharuan secara bertahap
X1
X2
X3
Xn
||X-W1||
||X-W2||
H1
H2
D1
D2
Gambar 2.Arsitektur jaringan LVQGambar 2.2Arsitektur Jaringan LVQ
W1
Wn
Universitas Sumatera Utara
-
7/25/2019 Chapter II Rss
11/15
16
Sedangkan Kekurangan dari LVQ antara lain :
1)
Diperlukan perhitungan yang akurat terhadap jarak untuk seluruh atribut
2)
Akurasi model LVQ bergantung kepada inisialisasi dan parameter yang
digunakan dalam perhitungan
3)
Distribusi kelas pada data trainingmempengaruhi nilai akurasi
4) Sulitnya jumlah vektor yang ditentukan pada masalah yang diberikan.
Parameter-parameter yang diperlukan dalam algoritma LVQ antara lain :
1. Learning rate() merupakan nilai tingkat pelatihan. Jika terlalu besar maka
algoritma menjadi tidak stabil dan terlalu kecil maka waktu proses yang
diperlukan semakin lama. Nilai berada pada rentang 0 < < 1.
2. Penurunan Learning rate (Dec ) yaitu penurunan tingkat pelatihan.
Penurunan Learning rate dilakukan setelah selesai dilakukan iterasi pada
setiap data dan akan dilakukan pada iterasi yang selanjutnya.
3. Minimimum Learning rate (Min ) yaitu tingkat pelatihan yang masih
diperbolehkan
4.
Maksimum Epoch (MaxEpoch) yaitu jumlah iterasi maksimum yang boleh
dilakukan selama proses pelatihan. Selama iterasi yang telah dilakukan telah
mencapai iterasi maksimum, maka iterasi akan dihentikan.
Metode LVQ dilakukan dengan proses pengenalan terlebih dahulu terhadap pola
inputkedalam bentuk vektor untuk memudahkan proses pencarian kelas. Setiap output
menyatakan kelas tertentu maka pola inputdapat dikenali kelasnya berdasarkan output
yang diperoleh. LVQ mengenali pola inputdengan kedekatan jarak antara vektor inputdan vektor bobot. Pada LVQ terdapat dua proses yaitu :
a. Proses Training
Adapun algoritma metode LVQ (Hermanto et al, 2009) adalah sebagai berikut :
1) Tetapkan nilai bobot (w), maksimum epoch (MaxEpoch), error minimum
(Eps) danLearning rate().
2)
Masukkan :
Input: x(m,n)
Universitas Sumatera Utara
-
7/25/2019 Chapter II Rss
12/15
17
Target : T(1,n)
3)
Tetapkan kondisi awal :
Epoch: 0;
Err : 1
4) Kerjakan jika (epoch< MaxEpoch) atau ( > Eps)
a.
Epoch=Epoch+ 1
b. Kerjakan untuk i=1 sampai n
i.
Tentukan J hingga ||x-wj|| minimum
ii. Perbaiki wj dengan ketentuan :
Jika T = Cjmaka :
wj (baru) = wj (lama) + [x- wj (lama)]
Jika T Cjmaka :
wj (baru) = wj (lama) - [x- wj (lama)]
c. Kurangi nilai
Keterangan notasi :
X vektor latih (x1, x2, ..., xn)
T kategori benar untuk vektor latih
Wj vektor bobot unit outputj (w1j, w2j, wnj )
Cj Kategori yang mewakili outputj
||x- wj|| Jarak bobot antara vektor inputdan vektor bobot untuk output
Pada tahap Training, Algoritma LVQ akan memproses inputdengan menerima
vektor inputdengan keterangan kelas vektor. Kemudian vektor akan menghitung jarak
semua vektor pewakil untuk kelas yang ada dengan menghitung jarak terdekat dengan
Euclidean distance. Vektor yang memiliki jarak terdekat akan dianggap sebagai kelas
pemenang yang dinamakan sebagai best matching unit(BMU).
Jika nilai BMU yang didapatkan sesuai dengan keterangan kelas vektor maka
vektor pewakil pada kelas tersebut akan disesuaikan agar lebih dekat dengan vektor
inputdan jika nilai BMU yang didapat tidak sesuai dengan keterangan kelas vektor
maka vektor pewakil pada kelas tersebut akan disesuaikan agar lebih jauh dari vektor
input.
Universitas Sumatera Utara
-
7/25/2019 Chapter II Rss
13/15
18
Proses pada tahap ini dilakukan secara iterasi dengan learning rate yang
mengecil. Satu iterasi dapat disebut sebagai satu epoch. Pada satu epoch, semua data
akan dihitung jarak terdekatnya dan akan dilakukan perbaharuan pada vektor pewakil.
Untuk melanjutkan ke epoch berikutnya maka learning rate akan dikalikan dengan
Dec . Setelah telah mencapai minimal , maka proses trainingakan dihentikan.
b. Proses Testing
Pada tahap testing, data diklasifikasikan dengan cara yang sama sesuai dengan tahap
training. Dimana proses perhitungan dilakukan dengan mencari jarak terdekat dari
setiap kelas. Setelah didapatkan jarak pada setiap bobot maka tentukan nilai bobot
dengan jarak terdekat. Selanjutya nilai bobot tersebut akan ditetapkan sebagai kelas.
2.6 Penelitian Terdahulu
Beberapa penelitian telah dilakukan untuk menyelesaikan permasalahan pada karet
RSS. Pada penelitian yang dilakukan oleh (Ahmad et al, 2006) pada pemeriksaan
mutu karet RSS menggunakan pengolahan citra dengan menganalisi karakteristik
warna permukaan karet baik menggunakan model warna RGB maupun HSI dan
karakteristik tekstur menggunakan analisis tekstur untuk tiap tiap kelas mutu RSS
menghasilkan parameter warna dapat digunakan sebagai parameter mutu karet dan
fitur tekstur tidak dapat dijadikan parameter mutu karet khususnya dalam menentukan
batas RSS-2.
Pada Model RGB, Indeks warna biru dapat digunakan untuk mengklasifikasikan
mutu RSS dengan kesesuaian yang cukup tinggi namun hasil yang lebih baik dan
konsistern diperoleh dengan menggunakan warna HIS dengan kriteria H 28 dan I
220 pada RSS1, H 68 dan S 73 untuk RSS3 dan RSS 2 berada pada llingkup
selain kriteria RSS1 dan RSS3 dengan tingkat kesesuaian 86% untuk RSS1, 77,5%
untuk RSS2, dan 95% untuk RSS3.
Selain itu pada penelitian yang dilakukan oleh (Kurniawan, 2003) pada kajian
karakteristik mutu karet olahan jenis RSS (Ribbed Smoke Sheet) dengan teknik
pengolahan citra melakukan empat perlakuan yang berbeda pada proses pengambilan
citra yaitu perlakuan I, pengambilan citra RSS dengan cahaya lampu dari atas dengan
Universitas Sumatera Utara
-
7/25/2019 Chapter II Rss
14/15
19
tingkat resolusi 192 x 144. Perlakuan II, dengan cahaya lampu dari bawah dengan
tingkat resolusi 192 x 144. Perlakuan III, dilakukan pencahayaan dari atas dengan
resolusi 341 x 256 dan perlakuan IV, dilakukan pencahayaan dari bawah dengan
resolusi 341 x 256.
Dan parameter yang diukur dari citra RSS meliputi indeks warna RGB,
komponen warna HIS dan komponen tekstur citra. Hasil pengolahan citra perlakuan I
menunjukkan bahwa hanya parameter indeks warna biru saja yang dapat digunakan
sebagai parameter sortasi dengan nilai batas atas sebesar 0.2921 dan batas bawah
sebesar 0.2843. Hasil pengolahan citra perlakuan II menunjukkan parameter indeks
warna merah, hijau, biru dan saturasi dapat digunakan sebagai parameter sortasi
dengan batas atas dan batas bawah masing-masing Merah (0.4143 , 0.3914), Hijau
(0.3321 , 0.3258), Biru (0.2743, 0.2574) dan Saturasi (95,76).
Hasil perlakukan III ditemukan bahwa hanya parameter indeks warna biru yang
dapat digunakan sebagai parameter sortasi dengan nilai batas atas sebesar 0.2929 dan
batas bawah sebesar 0.2852. Hasil pengolahan citra perlakuan IV menunjukkan
parameter indeks warna merah, hijau, biru dan saturasi dapat digunakan sebagai
parameter sortasi dengan batas atas dan batas bawah masing-masing Merah (0.4168,
0.3927), Hijau (0.3305, 0.3241), Biru (0.2740, 0.2570) dan Saturasi (96.77). Dari hasil
perbandingan antar setiap perlakukan menghasilkan presentase keberhasilan
pemutuan resolusi 341 x 256 lebih tinggi dibandingkan resolusi 192 x 144.
Pada penelitin yang dilakukan oleh (Umyai et al, 2011) dalam mendeteksi
gelembung udara pada Ribbed Smoked Sheet berdasarkan dimensi fractal pada 500
citra RSS menghasilkan 98% tingkat keberhasilan klasifikasi ada atau tidaknya
gelembung pada RSS.
Pada penelitian yang dilakukan oleh (Pornpanomchai & Chantharangsikul,
2010) pada Sistem pengklasifikasian RSS menggunakan metode k-Mean Clustering
dan the Euclidean Distance untuk mengklasifikasikan RSS ke dalam lima kualitas
yaitu RSS1, RSS2, RSS3, RSS4, dan RSS5 menghasilkan 80.90 % tingkat
keberhasilan dengan rata rata waktu klasifikasi 10.88 detik per citra RSS
Universitas Sumatera Utara
-
7/25/2019 Chapter II Rss
15/15
20
Pada penelitian yang dilakukan oleh (Prabpal et al, 2014) pada klasifikasi
kualitas karet RSS menggunakan pengolahan citra dengan metode ANN menghasilkan
tingkat akurasi 90 % pada 100 sampel karet RSS yang dibagi kedalam 4 level yaitu A
(Sangat Bagus), B (Bagus), C (Cukup), dan D (Jelek)
Tabel 2.2Penelitian Terdahulu
Peneliti Judul Penelitian Keterangan
Ahmad et al,
2006
Pemeriksaan Mutu Karet
RSS Menggunakan
Pengolahan Citra
Menggunakan model warna RGB
dan HSI
Kurniawan,
2003
Kajian Karakteristik Mutu
Karet Olahan Jenis RSS
(Ribbed Smoke Sheet)
Mengunakan 4 perlakuan pada
pencahayaan dan menggunakan
model warna RGB dan HSI
Umyai et al,
2011
Air bubbles Detecting on
Ribbed Smoked Sheet
Based on Fractal
Dimension
Menggunakan metode 2D-box
counting untuk menghitung
dimensi fractal
Pornpanomchai &
Chantharangsikul,
2010
Ribbed Smoked Sheet
Grading Sistem(RSSGS)
Menggunakan metode k-Mean
Clustering dan The Euclidean
Distance
Prabpal et al
2014
The classify of rubbersheet quality by image
processing with artificial
neural network
Menggunakan metode ANN