chapter ii rss

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


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



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



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.



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



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



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.



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



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



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



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)



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.



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



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



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

chapter ii rss

Documents