UJIAN MID-SEMESTER

PENGOLAHAN CITRA DIGITAL

(Teke Home Test)

SUSILO HARY YUNANTO

10/300719/TP/09864

JURUSAN TEKNOLOGI INDUSTRI PERTANIAN

FAKULTAS TEKNOLOGI PERTANIAN

UNIVERSITAS GADJAH MADA

YOGYAKARTA

2013

1. Deskripsikan secara detail 3 contoh aplikasi pengolahan citra dalam bidang

Teknologi Pertanian?

a) Evaluasi parameter pemutuan buah stroberi (Fragaria chiloensis L.)

Mempelajari parameter mutu visual stroberi berdasarkan pemutuan

manual yang dilakukan oleh petani stroberi melalui citra digital,

mengevaluasi parameter pemutuan stroberi menggunakan pengolahan citra

dan membangun program komputer pengolahan citra untuk proses

pemutuan stroberi, membandingkan hasil pemutuan manual oleh petani

dengan hasil pemutuan pengolahan citra berdasarkan standar pengukuran

langsung. Pemutuan stroberi menggunakan teknik pengolahan citra

dilakukan berdasarkan nilai panjang, diameter, dan area.

b) Prediksi kandungan gizi pisang (Musa Paradisiaca L.) berdasarkan

degradasi warna kulit

Kita dapat memprediksi kandungan gizi (Vitamin C dan Kadar Pati)

dan total padatan terlarut (TPT) berdasarkan penurunan warna kematangan

pisang, serta mengetahui perubahan fisik dan mekanik (Density atau massa

jenis, Berat, Diameter, Kekerasan, dan Degradasi warna). Metode yang

digunakan adalah menghubungkan perubahan warna kulit pada saat terjadi

kematangan dengan perubahan kandungan Gizi di dalam pisang dan sifat

fisik. Hasil penelitian menunjukkan bahwa Kandungan gizi terbanyak

terdapat pada saat indek merah mengalami kenaikan dan indek hijau dan

hue mengalami penurunan. Semakin matang pisang maka sifat fisik (berat,

diameter, density, kekerasan) akan mengalami penurunan.

c) Penerapan pengolahan citra pada pertanian buah naga

Mutu buah naga ditentukan oleh berbagai parameter diantaranya

adalah parameter tingkat ketuaan dan kematangan (indeks warna) serta

ukuran. Penelitian ini bertujuan untuk mengembangkan cara sortasi tanpa

merusak (non destructive test) untuk tingkat ketuaan dan kematangan buah

naga menggunakan pengolahan citra dan jaringan syaraf tiruan.

Pengolahan citra dikembangkan berdasarkan umur petik dan warna

buah. Sebuah CCD kamera dengan penangkap citra digunakan untuk

menangkap citra pada resolusi 256 x 192 pixel. Dari data pengolahan citra

kemudian diolah menggunakan jaringan syaraf tiruan (JST) dengan

konstanta momentum 0,8, dan fungsi aktivasi 1 serta dilatih sampai 10000

iterasi pada lapisan tersembunyi 3, 6, 9, 12 dan 15 simpul lapisan

tersembunyi. Hasil penelitian menunjukkan nilai JST yang paling ideal

untuk memprediksi ketuaan dan kematangan buah naga adalah

menggunakan parameter hasil pengolahan citra sebagai data masukan (area,

hue, saturasi, intensitas, kontras, homogenitas, entropi dan energi) dan dapat

menentukan ketuaan dan kematangan buah naga dengan tingkat keakuratan

yang tinggi (93,7%).

2. Gambarkan Tahapan yang secara umum dilakukan dalam Pengolahan Citra

Digital?

Secara umum tahapan pengolahan citra digital meliputi akusisi citra,

peningkatan kualitas citra, segmentasi citra, representasi dan deskripsi citra,

pengenalan dan interpretasi, sehingga dapat menjadi basis pengetahuan.

a) Akusisi citra

Akuisisi citra adalah tahap awal untuk mendapatkan citra digital.

Tujuan akuisisi citra adalah untuk menentukan data yang diperlukan dan

memilih metode perekaman citra digital. Tahap ini dimulai dari objek yang

akan diambil gambarnya, persiapan alat-alat, sampai pada pencitraan.

Pencitraan adalah kegiatan transformasi dari citra tampak (foto, gambar,

lukisan, patung,pemandangan dan lain-lain) menjadi citra digital.

Pengambilan data dapat dilakukan dengan menggunakan berbagai

media seperti kamera analog, kamera digital, handycam, scanner, optical

reader dan sebagainya. Citra yang dihasilkan belum tentu data digital,

sehingga perlu didigitalisasi.

b) Peningkatan kualitas citra

Pada tahap ini dikenal dengan pre-processing dimana dalam

meningkatkan kualitas citra dapat meningkatkan kemungkinan dalam

keberhasilan pada tahap pengolahan citra digital berikutnya.

Hal-hal penting yang dilakukan pada tingkatan ini diantaranya

adalah :

Peningkatan Kualitas (Kontras, brightness, dan lain-lain)

Menghilangkan noise

Perbaikan citra

Transformasi

Menentukan bagian Citra yang akan diobservasi

c) Segmentasi citra

Segmentasi bertujuan untuk memilih dan mengisolasikan

(memisahkan) suatu objek dari keseluruhan citra. Segmentasi terdiri dari

downsampling, penapisan dan deteksi tepian. Tahap downsampling

merupakan proses untuk menurunkan jumlah piksel dan menghilangkan

sebagian informasi dari citra. Dengan resolusi citra yang tetap,

downsampling menghasilkan ukuran citra yang lebih kecil. Tahap

segmentasi selanjutnya adalah penapisan dengan filter median, hal ini

dilakukan untuk menghilangkan derau yang biasanya muncul pada frekuensi

tinggi pada spektrum citra. Pada penapisan dengan filter median, gray level

citra pada setiap piksel digantikan dengan nilai median dari gray level pada

piksel yang terdapat pada window filter. Tahap yang terakhir pada proses

segmentasi yaitu deteksi tepian. Pendekatan algoritma Canny dilakukan

berdasarkan konvolusi fungsi citra dengan operator Gaussian dan turunan-

turunannya. Pendeteksi tepi ini dirancang untuk merepresentasikan sebuah

tepian yang ideal, dengan ketebalan yang diinginkan. Secara umum, proses

segmentasi sangat penting dan secara langsung akan menentukan

keakurasian sistem dalam proses identifikasi iris mata.

d) Representasi dan Deskripsi Citra

Dalam hal ini representasi merupakan suatu proses untuk

merepresentasikan suatu wilayah sebagai suatu daftar titik-titik koordinat

dalam kurva tertutup, dengan dekripsi luasan atau perimeternya. Setelah

suatu wilayah dapat direpresentasi, proses selanjutnya adalah melakukan

deskripsi citra dengan cara seleksi ciri dan ekstrasi ciri (feature extraction

and selection). Seleksi ciri bertujuan untuk memilih informasi kuantitatif

dari cirri yang ada, yang dapatmembedakan kelas-kelas objek secara baik,

sedangkan ekstrasi ciri bertujuanuntuk mengukur besaran kuantitatif ciri

setiap piksel, misalnya rata-rata,standar deviasi, koefisien variasi,

SignaltoNoise ratio (SNR), dan lain-lain.

e) Pengenalan dan Interpretasi

Pengenalan pola tidak hanya bertujuan untuk mendapatkan citra

dengan suatu kualitas tertentu, tetapi juga untuk mengklasifikasikan

bermacam-macam citra. Dari sejumlah citra diolah sehingga citra dengan

ciri yang sama akan dikelompokkan pada suatu kelompok tertentu.

Interpretasi meliputi penekanan dalam mengartikan objek yang dikenali.

f) Basis Pengetahuan

Basis pengetahuan sebagai basis data pengetahuan berguna untuk

memandu operasi dari masing-masing modul proses dan mengkontrol

interaksi antara modul-modul tersebut. Selain itu, basis pengetahuan juga

digunakan sebagai referensi pada proses template matching atau pada

pengenalan pola.

3. Jelaskan Apakah Kegunaan Metoda Pengenalan Pola Seperti Jaringan Saraf

Tiruan yang diterapkan dalam pengolahan Citra Digital

Metoda pengenalan pola seperti jaringan saraf tiruan berguna untuk

mengekstrak informasi / pesan yang disampaikan oleh gambar / citra dalam

pengolahan citra digital. Dengan metoda pengenalan pola seperti jaringan saraf

tiruan, data numerik dan simbolik (citra) dapat dikelompokkan secara otomatis

oleh mesin (komputer).

Pengenalan pola juga berhubungan dengan proses identifikasi obyek

pada citra atau interpretasi citra. Pengenalan pola tidak hanya bertujuan untuk

mendapatkan citra dengan suatu kualitas tertentu, tetapi juga untuk

mengklasifikasikan bermacam-macam citra. Dari sejumlah citra diolah

sehingga citra dengan ciri yang sama akan dikelompokkan pada suatu

kelompok tertentu. Bila pengenalan pola dihubungkan dengan pengolahan

citra, diharapkan akan terbentuk suatu sistem yang dapat memproses citra

masukan sehingga citra tersebut dapat dikenali polanya. Proses ini disebut

pengenalan citra atau image recognition.

4. Copykan beberapa file citra onion.png, pears.png, peppers.png dan rice.png ke

directory data Matlab tempat kita bekerja

Onion.png Pears.png

Peppers.png Rice.png

dengan matlab Buatlah program pengolah citra dari sampel citra onion.png

dengan urutan pengolahan citra adalah citra dibaca, selanjutnya lakukan

analisis komponen RGB, Lakukan konversi citra ke Grayscale, buatkan

histogram grafiknya selanjutnya lakukan image untuk ditampilkan lebih terang

warnanya. Simpan file dengan nama programda.m Lakukan hal yang sama

pada file peppers.png. Simpan file dengan nama programdb.m

a) Programda.m (onion.jpg)

%Program Citra UTS Digital

%Pembacaan Data Citra

gambar = imread ('onion.png');

red = gambar (:,:,1);

green = gambar (:,:,2);

blue = gambar (:,:,3);

gray = 0.3*red+0.5*green+0.2*blue;

imshow (gray)

whos

figure, imhist(gray)

brightVal=135;

img=gambar+brightVal;

figure, imshow(img)

Hasil :

Konversi citra ke grayscale

Analisis komponen RGB

Name Size Byte Class Attributes

blue 135x198 26730 uint8 gambar 135x198x3 80190 uint8

gray 135x198 26730 uint8 green 135x198 26730 uint8 red 135x198 26730 uint8

Histogram grafik

Image ditampilkan lebih terang

b) Programdb.m (peppers.png)

%Program Citra UTS Digital

%Pembacaan Data Citra

gambar=imread('peppers.png');

red=gambar(:,:,1);

green=gambar(:,:,2);

blue=gambar(:,:,3);

gray=0.3*red+0.5*green+0.2*blue;

imshow(gray)

whos

figure, imhist(gray)

brightVal=135;

img=gambar+brightVal;

figure, imshow(img)

Hasil :

Konversi citra ke grayscale

Analisis komponen RGB

Name Size Byte Class Attributes

blue 384x512 196608 uint8 gambar 384x512x3 589824 uint8

gray 384x512 196608 uint8 green 384x512 196608 uint8 red 384x512 196608 uint8

Histogram grafik

Image ditampilkan lebih terang

5. Pada image file rice.png, kita diminta untuk menganalisis image atas image

histogram dan luasan area dan histogram luasan area dari banyaknya butir rice

yang ditampilkan dalam image. Lakukan prosesur analisa pengolahan citra

untuk menghitung luasan area rice dan histogramnya. Simpan file dengan nama

tugasd.m

Petunjuk

Lakukan prosedur dari citra diubah ke binary image dengan fungsi im2bw

Untuk pencarian luasan dan grafik gunakan fungsi regionprops dan hist

Tugasd.m

I = imread ('rice.png');

imshow (I)

background = imopen (I,strel('disk',15));

figure, surf (double(background(1:8:end,1:8:end))),zlim([0 255]);

set (gca,'ydir','reverse');

I2 = I-background;

figure, imshow(I2)

I3 = imadjust(I2);

figure, imshow(I3);

level = graythresh(I3);

bw = im2bw(I3,level);

bw = bwareaopen(bw,50);

figure, imshow(bw)

graindata = regionprops(bw, 'basic');

graindata(50).Area

grain_areas=[graindata.Area];

nbins = 20;

figure, hist(grain_areas, nbins)

title ('Histogram of Rice Grain Area');

Hasil :

Pembacaan citra

Surface plot

Pemisahan citra dengan latar belakang (threshold)

Peningkatan kontras gambar

Konversi citra ke citra biner (im2bw)

Pencarian luasan (regionprops)

Ans = 216

Grafik (hist)