7

II. TINJAUAN PUSTAKA

2.1 Tanaman Padi (Oryza sativa)

Padi adalah tanaman pangan berupa rumput berumpun, yang digunakan

sebagai sumber makanan pokok masyarakat Asia. Terdapat 25 spesies Oryza, dan

yang paling dikenal adalah Oryza sativa dengan dua sub spesies yaitu Indica (padi

bulu) yang ditanam di Indonesia dan Sinica (padi cere). Padi dibedakan dalam dua

tipe yaitu padi yang ditanam di dataran tinggi atau disebut gogo serta padi yang

ditanam di dataran rendah yang memerlukan penggenangan (Prihatman, 2000).

Gambar 1. Tanaman padi (Sumber: from. http://id.wikipedia.org/wiki/Padi. 2014).

Gabah adalah hasil tanaman padi yang telah dilepas dari tangkainya

dengan cara perontokkan, pengeringan, dan pembersihan. Sesuai dengan

penanganan pasca panennya, gabah dibedakan menjadi gabah kering panen dan

gabah kering giling. Gabah Kering Panen (GKP) adalah hasil tanaman padi yang

telah dilepas dari tangkainya yang memiliki kadar air maksimum 25%, butir

hampa/kotoran maksimum 10%, butir kuning/rusak maksimum 3%, butir

hijau/mengapur maksimum 10% dan butir merah maksimum 3%. Gabah Kering

Giling (GKG) adalah hasil tanaman padi yang telah dilepas dari tangkainya dan

Kingdom: Plantae

Division: Spermatophyta

Subdivision: Angiospermae

Class: Monocotyledoneae

Family: Gramineae

Genus: Oryza

Spesies: Oryza sativa L.

8

mengalami proses pengeringan sehingga kadar airnya menjadi 14%, dengan butir

hampa/kotoran maksimum 3%, butir kuning/rusak maksimum 3%, butir

hijau/mengapur maksimum 5%, dan butir merah maksimum 3%. Sedangkan beras

adalah hasil utama dari proses penggilingan gabah hasil tanaman padi yang

seluruh lapisan sekamnya terkelupas atau sebagian lembaga dan katul telah

dipisahkan (Anonim, 2010).

Pertumbuhan tanaman padi dapat dibagi dalam tiga fase: (1) fase

vegetatif (awal pertumbuhan sampai pembentukan bakal malai/primordial); (2)

fase reproduktif (primordial sampai pembungaan); dan (3) fase pematangan

(pembungaan sampai gabah matang). Lama fase pertumbuhan tanaman padi

berkisar antara 110 sampai 130 hari tergantung dari jenis dan varietas padi.

Perbedaan pertumbuhan tanaman padi sangat terlihat pada fase vegetatif,

sedangkan fase reproduktif dan fase pematangan relatif sama (Makarim dan

Suhartatik, 2009). Tanaman padi memiliki beberapa bagian utama diantaranya;

gabah, akar, daun, batang, bunga, dan malai. Gabah sendiri merupakan bagian

terpenting yang diharapkan dari tanaman padi. Mengingat gabah terdiri atas biji

yang terbungkus oleh sekam, yang mana biji tersebut adalah beras.

Penentuan waktu panen merupakan tahap awal dan tahap yang paling

penting, karena pemanenan padi harus dilakukan pada waktu yang tepat.

Ketidaktepatan dalam penentuan waktu panen dapat mengakibatkan kehilangan

hasil yang tinggi dan mutu gabah/beras yang rendah. Penentuan waktu panen

dapat dilakukan berdasarkan pengamatan visual dan pengamatan teoritis.

1) Pengamatan visual dilakukan dengan cara melihat kenampakan padi pada

hamparan lahan sawah. Berdasarkan kenampakan visual, umur panen

9

optimal padi dicapai apabila 90% sampai 95% butir gabah pada malai padi

sudah berwarna kuning atau kuning keemasan. Padi yang dipanen pada

kondisi tersebut akan menghasilkan gabah berkualitas baik sehingga

menghasilkan rendemen giling yang tinggi.

2) Pengamatan teoritis dilakukan dengan melihat deskripsi varietas padi dan

mengukur kadar air dengan moisture tester. Berdasarkan deskripsi varietas

padi, umur panen padi yang tepat adalah 33 sampai 36 hari setelah berbunga

merata atau antara 110 sampai 130 hari setelah tanam. Berdasarkan kadar

air, umur panen optimum dicapai setelah kadar air gabah mencapai 22-23%

pada musim kemarau, dan 24-26% pada musim hujan (Pirhatam, 2000).

Hasil produksi gabah tertinggi akan dapat dicapai hanya pada kondisi iklim

terbaik, dan tanpa adanya faktor pembatas lingkungan sehingga tanaman

memperoleh segala hal yang dibutuhkannya. Hasil penelitian menunjukkan untuk

daerah tropis hasil panen padi adalah 10-11 ton/hektar, sedangkan di daerah

subtropis, seperti Cina, Australia, dan California berkisar antara 13-15 ton/hektar.

Berdasarkan penelitian Makarim dan Suhartatik (2009), di Indonesia memiliki

potensi hasil padi yang beragam antara 5-11 ton/hektar. Menurut Badan Pusat

Statistik, rata-rata hasil panen padi di Bali dari tahun 2009 sampai 2013 adalah 5-

8 ton/hektar. Tingginya potensi hasil padi di daerah subtropis dibandingkan

daerah tropis disebabkan oleh lebih rendahnya suhu udara di daerah subtropis,

sehingga fase pertumbuhan tanaman padi terutama fase pengisian gabah akan

menjadi lebih lama (Makarim dan Suhartatik, 2009).

10

2.2 Pengolahan Citra (Image Processing)

Image Processing merupakan proses pengolahan dan analisis citra yang

banyak melibatkan persepsi visual, dengan ciri utama yaitu data masukan dan

informasi keluaran dalam bentuk citra. Istilah image processing didefinisikan

secara umum sebagai pengolahan citra dua dimensi dengan komputer. Dalam

definisi yang lebih luas, pengolahan citra digital juga mencakup semua data dua

dimensi. Citra digital adalah barisan bilangan nyata maupun kompleks yang

diwakili oleh bit-bit tertentu (Pramu, 2009).

Image Processing atau pengolahan citra adalah kegiatan memperbaiki

kualitas citra agar mudah diinterpretasi oleh manusia atau mesin (komputer). Hasil

dari pengolahan citra adalah kualitas citra yang lebih baik dari citra masukan

(Astuti, 2010). Umumnya operasi-operasi pada pengolahan citra diterapkan pada

citra apabila:

1. perbaikan untuk meningkatkan kualitas penampakan atau menonjolkan

beberapa aspek informasi yang terkandung di dalam citra,

2. elemen di dalam citra perlu dikelompokkan, dicocokkan atau diukur,

3. sebagian citra perlu digabung dengan bagian citra lain.

Operasi pengolahan citra dilakukan sesuai dengan kebutuhan, yang dapat

dibedakan menjadi enam, diantaranya adalah sebagai berikut.

1. Peningkatan Kualitas Citra (Image Enhancement), adalah menonjolkan

ciri-ciri khusus dalam citra, dengan memanipulasi parameter citra.

2. Restorasi Citra (Image Restoration), bertujuan untuk menghilangkan

cacat pada citra. Misalnya untuk menghilangkan kesamaran dan derau.

11

3. Kompresi Citra (Image Compression), bertujuan untuk membuat citra

menjadi lebih kompak sehingga memerlukan memori penyimpanan

yang lebih sedikit.

4. Segmentasi Citra (Image Segmentation), adalah proses pengolahan citra

yang bertujuan untuk memperoleh informasi yang ada dalam citra

dengan memisahkan wilayah (region) objek dengan wilayah latar

belakang agar objek mudah dianalisis.

5. Analisis Citra (Image Analysis) bertujuan untuk menghitung besaran

kuantitif dari citra untuk selanjutnya dideskripsikan. Analisis citra

dilakukan dengan mengekstraksi ciri-ciri tertentu yang membantu

dalam identifikasi objek.

6. Rekonstruksi Citra (Image Reconstruction) bertujuan untuk membentuk

ulang objek dari beberapa citra hasil proyeksi (Siahaan, 2009).

2.3 Citra Digital

Citra atau image adalah representasi optis dari sebuah obyek yang

disinari oleh sebuah sumber radiasi (Muhtadan dan Harsono, 2008). Citra dapat

terlihat akibat adanya berkas-berkas cahaya yang dipantulkan oleh benda di

sekitarnya. Sehingga fungsi intensitas cahaya adalah untuk menerangi objek dan

selanjutnya dipantulkan kembali sehingga dapat terlihat oleh mata (Wijaya dan

Prijono, 2007).

Arymurthy dan Suryani, (1997) menyatakan bahwa citra merupakan

sekumpulan titik-titik dari gambar yang berisi informasi warna. Umumnya citra

dibentuk dari kotak-kotak persegi empat yang teratur sehingga jarak horizontal

dan vertikal antar pixel sama pada seluruh bagian citra. Titik-titik tersebut

12

menggambarkan posisi koordinat dan menunjukan warna citra. Warna citra

diperoleh melalui penjumlahan nilai red, green, blue (RGB).

Citra digital (digital image) adalah gambar pada bidang dua dimensi

yang dihasilkan dari gambar analog dua dimensi dan kontinus menjadi gambar

diskrit. Citra yang memiliki fungsi diskrit inilah yang dapat diolah oleh komputer.

Citra digital juga dapat didefinisikan sebagai fungsi dua variabel, f (x,y), dimana x

dan y adalah koordinat spasial dan nilai f (x,y) adalah intensitas citra pada

koordinat tersebut, hal tersebut diilustrasikan pada Gambar 2 (Gonzalez, 2009).

Gambar 2. Koordinat citra digital (Sumber: Gonzales.C.R , Digital Image

Processing Second Edition, 2009).

Secara matematis citra digital juga dapat dituliskan dalam bentuk matriks sebagai

berikut:

( ) (

( ) ( )

( )

( ) ( ) ( ) ( )

( ) ( ))

Citra digital memiliki beberapa karakteristik, diantaranya ukuran citra,

resolusi, dan format penyimpanan. Citra digital memiliki ukuran panjang dan

lebar tertentu, serta dapat dinyatakan dalam banyaknya titik atau pixel (picture

elemen/pixel). Resolusi merupakan ukuran atau banyaknya titik untuk setiap

13

satuan panjang, dengan satuan yang umum digunakan adalah dpi (dot per inch).

Semakin besar resolusi, maka semakin banyak titik yang terkandung dalam citra

tersebut, sehingga penampakan citra menjadi semakin halus (Gonzalez, 2009).

Berdasarkan format penyimpanan warnanya, citra dapat dibedakan

menjadi citra biner, citra skala keabuan (grayscale), dan citra warna.

Gambar 3. Citra biner (a), Citra skala keabuan (grayscale) (b), Citra warna (c).

2.3.1 Citra Biner

Citra biner adalah citra digital yang hanya memiliki dua kemungkinan

nilai pixel yaitu: bernilai 0 (warna hitam) dan 1 (warna putih) seperti pada

Gambar 3a. Sehingga pixel-pixel objek akan bernilai 1 atau berwarna putih dan

pixel-pixel latar belakang bernilai 0 atau berwarna hitam (Noor, 2011). Citra

biner juga disebut sebagai citra B & W (black and white) atau citra monokrom.

Hanya dibutuhkan 1 bit untuk mewakili nilai setiap pixel dari citra biner. Citra

biner seringkali muncul sebagai hasil dari proses pengolahan seperti segmentasi,

pengambangan (thresholding), ataupun operasi morphologi (Putra, 2010).

2.3.2 Citra Skala Keabuan (Grayscale)

Citra grayscale merupakan citra digital yang setiap pixelnya mempunyai

kemungkinan warna antara hitam (minimal) dan putih (maksimal) seperti pada

(a) (b) (c)

14

Gambar 3b. Citra yang ditampilkan dapat bervariasi pada warna hitam pada

bagian dengan intensitas lemah dan warna putih pada intensitas kuat. Untuk

melakukan perubahan citra full color (RGB) menjadi citra grayscale, konversi

dapat dilakukan dengan:

( )

Dimana :

R : Unsur warna merah

G : Unsur warna hijau

B : Unsur warna biru

Nilai yang dihasilkan dari persamaan di atas akan diinput ke masing-masing

unsur warna dasar dari citra grayscale (Noor, 2011).

2.3.3 Citra Warna

Citra warna telah banyak dikembangkan oleh para ahli seperti model

RGB (Red, Green, Blue), model CMYK (Cyan, Magenta, Yellow, Black),

YCbCr (Luminasie, dan dua komponen kombinasi Cb dan Cr), dan HSI (Hue,

Saturation, Intensity). Model warna RGB merupakan model warna yang umum

dan banyak digunakan. Warna RGB adalah model warna aditif yang dibentuk

dengan mengkombinasikan energi cahaya dari ketiga warna (Noor, 2011) seperti

pada Gambar 3c. Indeks model warna RGB dapat diketahui dengan rumus:

a. Indeks Warna Merah (Ired) :

b. Indeks Warna Hijau (Igreen) :

c. Indeks Warna Biru (Iblue) :

15

Dengan R, G, dan B masing-masing merupakan besaran yang menyatakan nilai

intensitas warna merah, hijau, dan biru (Arymurthy dan Suryani, 1997). Citra

warna dapat digolongkan kembali menjadi tiga bagian, diantaranya terdapat citra

warna 8 bit, 16 bit, dan 24 bit.

a. Citra Warna (8 Bit)

Setiap pixel dari citra warna (8 bit) hanya diwakili oleh 8 bit dengan

jumlah maksimum yang dapat digunakan adalah 256 warna.

b. Citra Warna (16 bit)

Citra warna 16 bit (biasanya disebut sebagai citra highcolor) dengan

setiap pixelnya diwakili dengan 2 byte memory (16 bit). Warna 16 bit

memiliki 65.536 warna, dalam formasi bitnya nilai merah dan biru

mengambil tempat di 5 bit di kanan dan kiri. Komponen hijau memiliki 5 bit

ditambah 1 bit ekstra. Pemilihan komponen hijau dengan deret 6 bit

dikarenakan penglihatan manusia lebih sensitif terhadap warna hijau.

c. Citra Warna (24 bit)

Setiap pixel dari citra warna 24 bit memiliki 16.777.216 variasi warna.

Banyaknya jumlah variasi tersebut cukup untuk memvisualisasikan seluruh

warna yang dapat dilihat dengan penglihatan manusia. Penglihatan manusia

dipercaya hanya dapat membedakan hingga 10 juta wana saja. Setiap poin

informasi pixel (RGB) disimpan ke dalam 1 byte data. Delapan bit pertama

menyimpan nilai biru, kemudian diikuti dengnan nilai hijau pada 8 bit kedua

dan pada 8 bit terakhir merupakan warna merah (Putra, 2010).

16

2.4 Thresholding

Thresholding merupakan teknik sederhana dan efektif untuk melakukan

proses segmentasi pada citra digital. Proses thresholding sering disebut dengan

proses binerisasi. Setiap pixel dalam citra digital dipetakan menjadi dua nilai

yaitu, satu (1) atau nol (0) (Hietania dkk., 2013). Thresholding dilakukan dengan

mempertegas citra, dan mengubah citra yang memiliki derajat keabuan 255 (8 bit),

menjadi hanya dua warna, yaitu hitam dan putih.

Hal yang perlu diperhatikan pada proses thresholding adalah memilih

sebuah nilai threshold (T) dimana pixel yang bernilai di bawah nilai thresholding

diset menjadi hitam dan pixel yang bernilai di atas nilai thresholding diset

menjadi putih. Setiap pixel di dalam citra dipetakan ke dua nilai, 1 atau 0 dengan

fungsi pengambangan:

( ) { ( )

( ) }

yang dalam hal ini, f(x,y) adalah citra hitam-putih, g(x,y) adalah citra biner, dan T

adalah nilai ambang yang dispesifikasikan.

Nilai T dihitung secara otomatis berdasarkan citra masukan, dengan

analisis diskriminan, yaitu menentukan satu variabel yang dapat membedakan

antara dua atau lebih kelompok yang muncul secara alami. Sehingga nilai T yang

diperoleh dapat digunakan untuk memisahkan objek dengan latar belakangnya

(Munir, 2004).

17

2.5 Morphologi Citra Digital

Kata morphologi (morphology) secara sederhana dapat diartikan sebagai

bentuk dan struktur suatu objek. Operasi morphologi menggunakan dua input

himpunan yaitu satu citra (umumnya citra biner) dan satu karnel. Khusus dalam

morphologi, istilah karnel biasa disebut dengan structuring elements (SE) (elemen

pembentuk struktur). Adapun beberapa bentuk structuring elements (SE) yang

umum digunakan dalam operasi morphologi citra digital seperti pada Gambar 4.

Arbitrary

SE = strel(„arbitrary‟, NHOOD)

Octagon

SE = strel('octagon',R)

Rectangle

SE = strel('rectangle',MN)

Diamond

SE = strel('diamond',R)

Pair

SE = strel('pair',OFFSET)

Square

SE = strel('square',W)

Line

SE = strel('line',LEN,DEG)

Disk

SE = strel('disk',R,N)

Priodicline

SE = strel('periodicline',P,V)

Gambar 4. Bentuk-bentuk structuring elements (Sumber: Prasetyo, 2011)

18

SE merupakan suatu matrik dan pada umumnya berukuran kecil, serta memiliki

bentuk-bentuk yang berbeda. Bentuk structuring elements sangat beragam dan

penggunaanya disesuaikan dengan kebutuhan (Anwarningsih dkk., 2010).

Morphologi dalam dunia pengolahan citra digital diartikan sebagai

sebuah cara untuk mendeskripsikan ataupun menganalisa bentuk dari objek citra

digital. Terdapat dua operasi dasar morphologi yaitu dilasi dan erosi. Kedua

operasi dasar tersebut menjadi basis utama untuk membuat berbagai operasi

morphologi lainnya yang sangat berguna dalam pengolahan citra digital,

diantaranya seperti opening dan closing (Putra, 2010).

2.5.1 Dilasi

Proses dilasi dilakukan dengan membandingkan setiap pixel citra input

dengan nilai pusat SE (Structuring Elemets) dengan melapiskan SE pada citra

sehingga pusat SE tepat dengan posisi pixel citra yang diproses. Efek dari dilasi

terhadap citra biner adalah memperbesar batas objek yang ada sehingga objek

terlihat semakin besar dan lubang-lubang yang terdapat di tengah objek akan

mengecil seperti pada Gambar 5.

Gambar 5. Proses dilasi citra biner

Jika paling sedikit ada 1 pixel pada SE sama dengan nilai pixel objek

(foreground) citra, maka pixel input diset nilainya dengan nilai pixel foreground,

dan bila semua pixel yang berhubungan adalah background maka input pixel

19

diberi nilai pixel background. Semakin besar ukuran SE maka semakin besar

perubahan yang terjadi (Putra, 2010).

2.5.2 Erosi

Proses erosi merupakan kebalikan dari proses dilasi. Jika dalam proses

dilasi menghasilkan objek yang lebih luas maka dalam proses erosi akan

menghasilkan objek yang menyempit (mengecil) (Putra, 2010). Lubang pada

objek juga akan tampak membesar seiring menyempit-nya batas objek tersebut

seperti yang ditunjukkan pada Gambar 6.

Gambar 6. Proses erosi citra biner

2.5.3 Opening

Operasi opening sangat berguna dalam menghilangkan objek-objek kecil

yang terdapat dalam citra, namun operasi ini memiliki kelemahan yakni terjadi

penurunan ukuran objek yang lainnya. Untuk mengatasi hal ini kita dapat

melakukan operasi erosi dan kemudian operasi dilasi menggunakan SE yang

sama. Kombinasi tersebut dinamakan operasi opening (Putra, 2010).

2.5.4 Closing

Sama seperti opening, operasi Closing merupakan penggabungan antara

operasi erosi dan dilasi. Hanya saja operasi dilasi dilakukan terlebih dahulu,

kemudian diikuti dengan operasi erosi. Hasil operasi Closing hampir sama

20

seperti operasi dilasi yakni memperbesar batas luar dari objek dan menutup

lubang kecil yang terletak di tengah objek, namun hasil operasi Closing tidak

sebesar hasil dilasi (Putra, 2010).

2.6 Computer Vision

Terminologi lain yang berkaitan erat dengan pengolahan citra digital

adalah computer vision atau machine computer. Computer vision pada hakikatnya

mencoba meniru cara kerja dari sistem visual manusia (Human Vision). Human

vision sesungguhnya adalah sebuah sistem yang sangat kompleks, manusia dapat

melihat obyek dengan indera penglihatan (mata) lalu objek citra diteruskan ke

otak untuk diinterpretasi sehingga manusia mengerti objek apa yang tampak

dalam pandangan matanya. Hasil interpretasi ini selanjutnya digunakan untuk

mengambil suatu keputusan terkait tindakan yang akan dilakukan manusia.

Computer vision merupakan proses otomatis yang mengintegrasikan

sejumlah persepsi visual, seperti akuisisi citra, pengolahan citra, klasifikasi,

pengenalan (recognition), dan membuat keputusan. Computer vision terdiri dari

teknik-teknik untuk mengestimasi ciri-ciri objek dalam citra, pengukuran ciri yang

berkaitan dengan geometri objek, dan menginterpretasi informasi geometri

tersebut. Secara ringkas dapat digambarkan dengan persamaan berikut:

Vision = Geometry + Measurement + Interpretation

Proses-proses dalam computer vision dibagi dalam tiga aktivitas :

1. Memperoleh atau mengakuisisi citra digital.

2. Melakukan teknik komputasi untuk memproses atau memodifikasi data

citra (operasi-operasi pengolahan citra).

21

3. Menganalisis dan menginterpretasi citra menggunakan hasil

pemrosesan untuk tujuan tertentu, misalnya memandu robot,

mengontrol peralatan, memantau manufaktur dan lain-lain.

Pengolahan citra merupakan proses awal (pre-processing) pada computer vision,

sedangkan pengenalan pola merupakan proses untuk menginterpretasi citra.

Teknik-teknik di dalam pengenalan pola memainkan peranan penting dalam

computer vision untuk mengenali objek (Nahla, 2000). Citra digital mengandung

sejumlah elemen dasar yang dapat dieksploitasi lebih lanjut dalam computer

vision, diantaranya adalah sebagai berikut.

1. Kecerahan adalah intensitas cahaya. Kecerahan pada sebuah titik (pixel)

dalam citra bukanlah intensitas yang sebenarnya, melainkan intensitas

rata-rata dari suatu area yang melingkupinya.

2. Kontras menyatakan terang (lightness) dan gelap (darkness) dari citra.

3. Kontur (countour) adalah keadaan yang ditimbulkan oleh perubahan

intensitas pada pixel-pixel yang bertetangga, sehingga tepi (edge) objek

dapat dideteksi.

4. Warna adalah persepsi yang dirasakan oleh sistem visual manusia

terhadap panjang gelombang cahaya yang dipantulkan oleh objek.

Kombinasi warna yang memiliki rentang warna yang paling lebar

adalah red, green, dan blue.

5. Bentuk (Shape) adalah properti intrinsik dari objek tiga dimensi,

sehingga bentuk merupakan properti intrinsik dalam sistem visual.

6. Tekstur dicirikan sebagai distribusi spasial dari derajat keabuan di

dalam sekumpulan pixel-pixel yang bertetangga (Munir, 2004).

22

2.7 Matlab (Matrix Laboratory)

Matlab adalah sebuah bahasa pemprograman dengan cara kerja tinggi (high

performance) untuk teknik komputasi, mengintegrasikan komputasi, visualisasi,

dan pemrograman. Matlab dikembangkan oleh MathWorks, yang awalnya dibuat

untuk memberikan kemudahan mengakses data matriks, selanjutnya menjadi

sebuah aplikasi untuk komputasi matriks hingga sekarang. Matlab banyak

digunakan dalam berbagai bidang meliputi: matematika dan komputasi,

pembentukan algoritma, akusisi data, pemodelan, simulasi, pembuatan prototype,

analisa data, explorasi, visualisasi, grafik keilmuan, bidang rekayasa, termasuk

pembuatan graphical user interface, pengembangan aplikasi (Wijaya dan Prijono,

2007). Matlab terdiri dari lima bagian utama, diantaranya adalah sebagai berikut.

1. Development Environment, merupakan sekumpulan perangkat dan

fasilitas yang digunakan untuk menjalankan fungsi-fungsi dan file-file

matlab. Termasuk di dalamnya adalah matlab desktop, command

window, command history, serta peralatan yang disediakan untuk

pengembangan, pengelolaan, proses debugging, dan pembuatan M-files.

2. Matlab Mathematical Function Library, merupakan sekumpulan

algoritma komputasi mulai dari fungsi-fungsi dasar seperti: sum, sin,

cos, dan aritmatika bilangan kompleks.

3. Matlab Language adalah bahasa (pemrograman) tingkat tinggi yang

menggunakan matrix/array language. Hal ini memungkinkan untuk

melakukan pemrograman dalam lingkup sederhana dengan hasil yang

cepat, dan pemrograman dalam lingkup yang lebih besar dengan hasil-

hasil dan aplikasi yang komplek.

23

4. Graphics. MATLAB memiliki fasilitas untuk menampilkan vector dan

matrices sebagai suatu grafik. Di dalamnya menggunakan perintah-

perintah tingkat tinggi untuk visualisasi data dua dimensi atau tiga

dimensi, pengolahan citra, animasi, dan presentasi grafik.

5. Matlab Application Program Interface (API), merupakan suatu pustaka

untuk menuliskan progam dalam bahasa C dan Fortran yang

berinterakasi dengan matlab, termasuk fasilitas untuk memanggil

matlab sebagai sebuah computational engine, dan untuk membaca serta

menuliskan MAT-files (Santoso dkk., 2007).

2.8 Kajian Tentang Penggunaan Image Processing

Wahyunto dan Heryanto (2006), dalam penelitiannya yang berjudul

“Prediction on Low-Land Rice Productivity Using Satellite Remote Sensing

Analysis”, menjelaskan tentang pendugaan produktivitas padi menggunakan citra

satelit. Pengamatan dilakukan dengan citra satelit, dengan mengamati siklus

pemanfaatan lahan sawah untuk bercocok tanam padi. Padi mempunyai

karakteristik yang khas sehingga dapat dijadikan sebagai dasar untuk

membedakan dari jenis tanaman lainnya. Pada awal pertumbuhan tanaman padi

(transplanting), areal sawah selalu digenangi air dan kenampakan yang dominan

adalah kenampakan air (fase air). Sejalan dengan pertumbuhannya kondisi lahan

sawah akan berubah didominasi oleh daun-daun padi. Pada saat puncak

pertumbuhan vegetatif terjadi tingkat kehijauan yang tinggi disebabkan oleh

tingginya kandungan klorofil. Setelah masa tersebut, tingkat kehijauan akan

menurun, timbul bunga-bunga padi sampai menguning. Fase pertumbuhan akan

diakhiri dengan masa panen dan lahan dibiarkan kosong selama jangka waktu

24

tertentu (tergantung pola tanamnya). Dengan mempelajari setiap perubahan

tersebut, yang kemudian dijadikan sebagai kunci interpretasi dalam mengenali

tanaman padi, perubahan-perubahan tersebut diamati dengan menggunakan citra

satelit. Tingkat kehijauan tanaman padi yang dapat diukur melalui analisis citra

satelit disebut dengan “Nilai NDVI (Normalized Difference Vegetation Index)”.

Nilai NDVI antara –1 hingga +1, jika nilai (-) menunjukkan objek air atau lahan

bera atau basah, dan nilai (+) menunjukan objek vegetasi. Melalui analisis citra

satelit dapat diestimasi umur tanaman padi yang selanjutnya dapat digunakan

sebagai dasar untuk memperkirakan waktu panen padi dan luas arealnya. Pada

kondisi normal, tingkat kehijauan tanaman padi (nilai NDVI) mempunyai korelasi

positif dengan produktivitas, artinya semakin tinggi nilai NDVI akan diikuti

dengan naiknya produktivitas tanaman padi. Penyimpangan hasil pendugaan

berdasarkan permodelan dibanding dengan kondisi aktual berkisar 1% sampai

10%, dengan simpangan rata-rata 0,27 - 0,31 ton atau 4,3 – 5,3% per hektar.

Sofyan (2011) dalam penelitiannya yang berjudul “Pengenalan Pola

Beras dan Gabah Berdasarkan Ciri Warna Menggunakan Matlab” bertujuan

untuk memisahkan antara beras dan gabah dari sebuah citra. Penelitian tersebut

menjelaskan tentang tahapan pemilahan antara beras dan gabah, hingga dapat

menemukan jumlah beras dan gabah dalam satu citra. Tahapan dimulai dengan

proses masukan yang menggunakan piranti masukan berupa kamera digital.

Selanjutnya dilakukan tahapan pre-processing untuk lebih menajamkan kualitas

gambar. Kemudian dilakukan proses segmentasi, yang hasilnya berupa gambar

gabah yang telah terpisah dengan beras. Terakhir dilakukan proses perhitungan

beras dan gabah.

25

Witeti (2004) melakukan penelitian yang berjudul “Identifikasi Sel

Kanker Prostat Menggunakan Metode Segmentasi Berdasar Ukuran Objek pada

Citra” dengan menggunakan sejumlah algoritma image processing. Program yang

dikembangkan memiliki kemampuan untuk mengenali citra kanker sehingga dapat

dihitung jumlah pixel citra sel prostat yang sakit dan citra sel prostat yang sehat.

Program ini menggunakan beberapa algoritma pengolahan citra, diantaranya

deteksi tepi, segmentasi dengan thresholding, operasi morphologi citra, dan

terakhir identifikasi citra. Berdasarkan penelitian yang dilakukan, dapat

disimpulkan bahwa jumlah pixel minimum untuk sel prostat sakit sebelum

penebalan tepi adalah 425 pixel dan jumlah pixel maksimumnya adalah 703 pixel.

Sedangkan jumlah pixel minimum untuk sel prostat sakit setelah penebalan tepi

adalah 497 pixel dan jumlah pixel maksimumnya adalah 808 pixel. Untuk sel

prostat yang sehat, jumlah pixel minimum sebelum penebalan tepi adalah 778

pixel dan jumlah pixel maksimumnya adalah 2427 pixel. Sedangkan untuk sel

prostat sehat setelah penebalan tepi, jumlah pixel minimumnya adalah 920 pixel

dan jumlah pixel maksimumnya adalah 2599 pixel. Toleransi untuk sel prostat

sakit adalah 15,73% dan toleransi untuk sel prostat sehat adalah 11,74%.

Saputra (2011) dalam penelitiannya yang berjudul “Pengembangan

Sensor Warna Daun untuk Pemetaan Kepadatan Serangan Gulma pada Lahan

Terbuka” yang menggunakan aplikasi image processing untuk mengidentifikasi

warna hijau daun. Penelitian tersebut menggunakan kamera sebagai sensor warna

untuk mengetahui kepadatan populasi gulma. Sensor warna yang dikembangkan

terdiri dari beberapa perangkat utama, yaitu roda becak, besi holow, kamera CCD

(Change Coupled Device) di bagian depan dan komputer jinjing serta perangkat

26

sensor jarak yang terletak di roda. Sensor jarak berfungsi sebagai pemicu untuk

mengirim data ke komputer jinjing yang akan memerintahkan kamera untuk

menangkap gambar, kemudian hasil tangkapan gambar di-threshold untuk setiap

image yang ditangkap. Gambar yang di-threshold dicari nilai warna hijaunya dan

hasil thresholding dikelompokan ke dalam kategori berdasarkan jumlah pixel

berwarna putih. Kategori tersebut yaitu 0-5% kosong, 5,1-20% sedikit, 20,1-50%

sedang, dan 50,1-100% padat. Dari hasil uji kinerja didapat tingkat keberhasilan

penangkapan gambar sebesar 90,00%, waktu tangkap dan penyimpanan gambar

sebesar 0,74 detik/gambar.

Permadi dkk. (2006), dalam penelitiannya yang berjudul “Aplikasi Image

Processing dalam Penggunaan Kamera Sebagai Sensor Api”, menggunakan

kamera sebagai sensor pada robot pencari api. Robot dengan sensor berupa

kamera sebagai penangkap gambar, serta memerlukan aplikasi image processing

untuk melakukan pengolahan gambar dan selanjutnya memberikan perintah.

Posisi api dapat diketahui berdasarkan perbedaan warna api dengan warna latar

belakang atau warna lainnya. Unsur api yang dimaksudkan dalam penelitian ini

adalah citra berwarna kuning. Dengan intensitas Red sebesar >200, Green >200,

dan Blue >170 atau Red >120, Green >120, dan Blue<90. Hasil dari uji coba yang

dilakukan, diketahui bahwa jenis dari kamera yang digunakan tidak berpengaruh

terhadap sistem image processing. Penentuan sudut cukup layak dengan error

maksimum terjadi sebesar 2,7486%. Tingkat kepresisian dari image processing

cukup layak karena error sudut masih < 2%. Intensitas cahaya dari gambar kurang

berpengaruh terhadap image processing. Sehingga dapat direalisasikan dengan

berbagai kondisi hari (siang atau malam hari). Tinggi rendahnya sumber api tidak

27

berpengaruh terhadap penentuan sudut oleh image processor. Karena penentuan

sudut didasarkan pada perhitungan koordinat secara horisontal. Untuk sumber api

yang berupa lilin, image processor masih dapat mendeteksi sampai dengan jarak

400 cm. Semakin besar sumber api, maka semakin jauh jarak yang dapat

terdeteksi. Waktu yang dibutuhkan untuk mengolah gambar hingga memadamkan

api sebesar 19 sampai dengan 21 detik untuk jarak 75cm. Hal ini ditentukan oleh

ukuran (pixel) gambar, kecepatan prosesor komputer melakukan image

processing, kecepatan motor pada perangkat model, lamanya blower diputar untuk

memadamkan api, jarak, dan sudut dari posisi api tersebut berada.

Suhandy (2001) dalam penelitiannya yang berjudul “Pengembangan

Algoritma Image Processing untuk Menduga Kemasakan Buah Manggis Segar”,

menggunakan sejumlah algoritma untuk mengolah citra buah manggis. Penelitian

tersebut menggunakan kamera CCD untuk menangkap citra buah manggis dengan

teknik pencahayaan dan pengambilan citra yang sesuai sehingga mendapatkan

citra buah manggis yang baik. Citra buah manggis tersebut selanjutnya dianalisis

dengan aplikasi image processing dengan menggunakan Microsoft Visual C++

Ver. 5.0. Dari aplikasi yang dikembangkan tersebut kemudian akan diperoleh data

indeks RGB, diameter buah manggis, luas proyeksi dan nilai koefisien harmonis.

Berdasarkan hasil penelitian tersebut, diketahui bahwa pendugaan kemasakan atau

umur petik buah manggis dapat diketahui dari variabel berat buah manggis, dan

indeks warna biru citra buah manggis. Sedangkan analisis kadar gula tidak dapat

digunakan untuk menduga kemasakan buah manggis. Serta koefisien fourier yang

diperoleh tidak dapat membedakan bentuk manggis untuk setiap tingkat

kemasakan yang diuji.