2
II. TINJAUAN PUSTAKA
A. PERHITUNGAN BENIH IKAN
Aplikasi pengolahan citra telah banyak diterapkan untuk meneliti berbagai produk pertanian. Berikut adalah beberapa hasil penelitian menggunakan image processing:
Pramesti 2003 menggunakan image processing dan artificial neural network dalam pengenalan butiran beras mengapur dan kuning rusak. Image processing digunakan untuk
mendapatkan data berupa nilai R, G, B, color value, I
red
, I
green
, I
blue
, hue, saturation, dan intensitty yang merupakan input data dalam artificial neural network. Dihasilkan akurasi sebesar 74,5
pada proses training dan 94,09 pada proses validasi. Nur 2003 menggunakan image processing dan artificial neural network dalam
pengenalan derajat sosoh beras tipe IR-64 dan Membramo. Image processing digunakan untuk mendapatkan data berupa R, G, B, color value, I
red
, I
green
, I
blue
, hue, saturation, dan intensitty yang merupakan input data dalam artificial neural network. Akurasi yang dihasilkan sebesar 45,46
untuk jenis IR-64 dan 55,35 untuk jenis Membramo pada proses training, 20,73 untuk jenis IR-64 dan 39 untuk jenis Membramo pada proses validasi.
Jenie 2005 menggunakan image processing, artificial neural network, dan least euclid range
untuk menentukan mutu warna teh hitam. Dalam penelitian ini dibangun dua model artificial neural network
. Model A menggunakan 5 macam input yakni R, G, B, CV, dan elevasi penanaman. Model B menggunakan 18 macam input yakni R, G, B, CV, IR, IG, IB, C, M, Y, K,
X, Y, Z, cos hue, saturasi, intensitas, dan elevasi penanaman. Kedua model menggunakan hidden node
sebanyak dua kali jumlah node input, dan memiliki laju pembelajaran 0,35. Logika least euclid
range menggunakan 5 input seperti model A, dan diberi nama model C. Penentuan mutu warna teh didasarkan pada warna standard yaitu kehitaman blackish, keabuan greyish,
kecokelatan brownish, dan kemerahan reddish. Pada penelitian ini digunakan 60 sampel untuk proses training dan 60 sampel untuk proses validasi. Hasil dari penelitian ini menunjukkan bahwa
model A mencapai akurasi 100 dalam 7000 iterasi pada proses pelatihan, sedangkan akurasi pada proses validasi adalah 0 untuk blackish, 100 untuk greyish, 100 untuk brownish, dan
100 untuk reddish. Model B mencapai akurasi 100 dalam 7000 iterasi pada proses pelatihan, sedangkan akurasi pada proses validasi adalah 86,7 untuk blackish, 93,3 untuk greyish, 100
untuk brownish, dan 100 untuk reddish. Model C mencapai akurasi 63,3 dalam 7000 iterasi pada proses pelatihan, sedangkan akurasi pada proses validasi adalah 53,3 untuk blackish,
53,3 untuk greyish, 66,7 untuk brownish, dan 80 untuk reddish. Penelitian tentang perhitungan ikan telah banyak dikembangkan dengan berbagai metode.
Beberapa hasil penelitian tentang perhitungan ikan antara lain: Seminar 2000 membuat desain alat penghitung bibit ikan dengan multisensor paralel.
Desain fungsional alat penghitung bibit ikan dengan multisensor dikembangkan dari alat penghitung dengan sensor tunggal dengan mereplikasi penyaluran keluaran ikan dan sistem sensor,
serta menambahkan komponen fungsional penjumlah adder. Alat tersebut terdiri dari 7 komponen yaitu: bak pengisian filling vessel, pipa penyaluran outlet pipe, sensor detector,
pencacah pulsa pulse counter, penjumlah adder, peraga digital display, dan bak penerimaan receiving vessel. Prinsip kerja dari alat penghitung ikan ini yaitu ikan yang akan dihitung
3
dialirkan melalui pipa yang transparan sehingga kehadiran ikan pada pipa dapat dideteksi satu persatu oleh sensor yang dipasang pada pipa penyaluran. Pada alat tersebut dipasang 4 pipa
penyaluran. Hadir dan tidaknya ikan yang melintas sensor tersebut menghasilkan kondisi biner gelap dan terang sehingga keluaran dari sistem sensor menghasilkan pulsa diskrit berbentuk
persegi. Hasil dari pembacaan sensor tersebut kemudian dijumlahkan secara paralel untuk memperoleh hasil perhitungan. Pengujian performansi alat penghitung dengan multisensor paralel
belum dilaksanakan sehingga belum diketahui seberapa besar akurasi, kecepatan perhitungan, dan keamanan bagi ikan.
Rahmat 2006 membuat rancang bangun instrumen sortir ikan otomatis dengan pengolahan citra digital. Hasil dari penelitian tersebut yaitu prototipe alat sortir ikan hidup dengan
menggunakan pengolahan citra digital dan komputer sebagai basis kontrol. Alat tersebut terdiri dari bak penampung air, conveyor belt, interupt, CCD kamera, komputer, pengarah aliran, motor
servo, motor pompa air, dan sensor optik. Prinsip kerja alat tersebut adalah mengalirkan aliran air ke bak penampung air dengan pompa air, kemudian ikan dimasukkan ke dalam bak tersebut. Ikan
secara otomatis akan mengikuti aliran air, tetapi jika prosesnya lambat maka perlu bantuan pekerja. Ikan yang masuk dalam saluran air akan menyentuh interupt yang akan memberikan
sinyal ke komputer untuk melakukan pengambilan gambar menggunakan CCD kamera. Setelah ikan terdeteksi oleh interupt kemudian dipindai oleh CCD kamera yang mendeteksi gambar dari
ikan yang akan diproses oleh komputer melalui kabel paralel port. Setelah image diolah, komputer menginstruksikan untuk mengaktifkan motor servo yang akan menggerakkan pengarah aliran
untuk melakukan sortasi. Ikan yang meluncur pada saluran air akan secara otomatis terhitung ditampilkan dalam sistem informasi pada monitor komputer. Dalam penelitian tersebut tidak
dicantumkan hasil dari pengujian alat sehingga tidak diketahui berapa lama perhitungan ikan berlangsung dan akurasi yang dicapai.
Saksanni 2008 menggunakan image processing dalam pemutuan dan perhitungan bibit ikan lele pada 3 kondisi pencahayaan yaitu pada ruang terbuka, di bawah naungan sinar matahari,
dan di ruang dengan pencahayaan terkondisi. Nilai akurasi yang diperoleh pada pengujian di ruang terbuka dengan parameter luas sebesar 77,78 dan menggunakan parameter panjang sebesar
61,79 . Pengujian di naungan sinar matahari menggunakan parameter luas sebesar 86,67 dan menggunakan parameter panjang sebesar 83,33 . Pengujian di ruang terkondisi menggunakan
parameter luas sebesar 87,78 dan menggunakan parameter panjang sebesar 64,44 . Kelemahan pada metode ini yaitu belum mampu mengenali bintik putih pada tubuh ikan lele akibat
pemantulan sinar, belum mampu menanggulangi cacat pada citra objek pengolahan akibat riak air, belum mampu mengenali dan memisahkan objek ikan lele yang bersinggungan.
B. CITRA DIGITAL
Kategori