Pengembangan Metode Penghitungan Benih Ikan Lele dengan Pengolahan Citra dan Penimbangan Benih

DEVELOPMENT OF JOUVENILE CATFISH COUNTING METHOD WITH IMAGE
PROCESSING AND MASS MEASUREMENT

M. Zani Kusuma Adhi and I Wayan Astika
Department of Mechanical and Biosystem Engineering, Faculty of Agricultural Technology,
Bogor Agricultural University, IPB Dramaga Campus, PO Box 220, Bogor, West Java,
Indonesia.
e-mail : zanikusuma@ymail.com

ABSTRACT
Alternative methods for jouvenile fish counting to replace the manual method are image
processing method and mass measurement method. Image processing is one of the computer algorithms
that can observe and analyze an object without direct contact with the object being observed. The image of
jouvenile fish was taken by using a container attached to a holding frame with a digital camera on its top.
The resulted image was processed with a Visual Basic program to determine the area of jouvenile fish.
The jouvenile fish area was then used to determine the number of fish. Based on the image analysis on the
jouvenile size of 7.8 cm, the average area obtained was of 871 pixels with the standard deviation of 112
pixels. The jouvenile mass was measured manually on each sample. The average mass of jouveniles was
2.17 g with a standard deviation of 0.66 and an average body length of 6.48 cm. The measurement results
were then used for the simulation data with Microsoft Excel. The simulation was to calculate the
probability of certain jouvenile mass occurrences. The accuracy of image processing was quite high, that
is, the calculation error was 4% for image capturing 0 second after fish release, 3% for 5 second after
release, 5% for 10 second after release and 10% for 15 seconds after release in the grade 3-4 cm. In the
grade 5-7 cm the average error was 6% for image capturing 0 second after fish release, 4% for 5 second
after release, 7% for 10 second after release and 14% for 15 second after release. The best accuracy was
obtained when image was taken at an interval of 5 seconds. The error of mass measurement method as it is
compared to manual counting was 3.5 %, while the simulation of mass measurement method error was
2.3%.

I. PENDAHULUAN

A. Latar Belakang
Ikan lele merupakan salah satu jenis ikan air tawar yang digemari oleh masyarakat. Setiap
tahun permintaan ikan lele mengalami peningkatan. Hal ini terbukti dengan semakin
menjamurnya warung tenda yang menyajikan pecel lele sebagai menu utamanya. Tidak hanya di
sepanjang jalan kota besar, di kota kabupaten dan kecamatan pun penjaja pecel lele kian banyak.
Peluang inilah yang membuat masyarakat untuk terjun dalam bisnis pertanian perikanan
khususnya ikan lele.
Budidaya lele tidak harus dilakukan secara terpadu mulai dari pembenihan, pendederan,
dan pembesaran dalam satu unit usaha, namun bisa dipecah-pecah menjadi beberapa kegiatan
secara terpisah. Hal ini berarti ada petani yang hanya bertindak sebagai pembenih, ada yang
hanya sebagai pendeder, dan selebihnya bergerak dibidang usaha pembesaran. Untuk menunjang
usaha pembesaran perlu tersedia benih lele yang berkualitas dalam jumlah yang mencukupi,
sehingga peluang usaha disetiap sub sistem masih terbuka lebar. Perhitungan benih ikan lele biasa
dilakukan saat benih ikan dipasarkan dari pihak pembenih ke pihak pendeder maupun ke pihak
pembesaran. Selama ini petani ikan lele masih melakukan perhitungan benih secara manual yaitu
dengan metode sampling atau dengan menghitung satu per satu. Rata-rata petani membutuhkan
waktu sekitar 15-20 menit untuk menghitung 1000 benih ikan lele.
Menurut Seminar (2000), perhitungan bibit ikan yang dilakukan secara manual memiliki
banyak kelemahan, antara lain: subyektifitas perhitungan, waktu yang lambat, kelelahan dalam
perhitungan, dan akurasi yang tidak memadai khususnya untuk menghitung bibit ikan dalam
jumlah yang besar.
Sebelumnya telah dilakukan penelitian mengenai perhitungan benih ikan dengan berbagai
metode. Metode perhitungan benih ikan lele untuk menggantikan cara manual adalah metode
image processing dan pengukuran berat benih. Image processing dapat dijadikan sebuah alternatif
karena metode ini tidak merusak objek (non destructive). Image processing merupakan salah satu
algoritma komputer yang mampu mengamati dan menganalisa suatu objek tanpa berhubungan
langsung dengan objek yang diamati. Metode ini berkembang seiring dengan peningkatan
kecepatan komputer dalam mengolah data, sehingga metode ini diharapkan mampu membantu
perhitungan benih ikan lele dengan akurat dan hemat waktu. Untuk menunjang aplikasi dari
metode tersebut maka dilakukan pengembangan lebih lanjut mengenai sistem aplikasi dari metode
image processing.

B. Tujuan Penelitian
Secara umum penelitian ini bertujuan untuk mengembangkan metode perhitungan benih
ikan lele dengan image processing dan berat benih.

1

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, Ired, Igreen, Iblue, 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, Ired, Igreen, Iblue, 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

2

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
Citra sebagai keluaran suatu sistem perekaman data dapat bersifat optik berupa foto,
bersifat analog berupa sinyal-sinyal video seperti gambar pada monitor televisi, atau bersifat
digital yang dapat langsung disimpan pada suatu pita magnetik. Komputer digital bekerja dengan
angka-angka presisi terhingga, dengan demikian hanya citra dari kelas diskrit-diskrit yang dapat
diolah dengan komputer, citra dari kelas tersebut lebih dikenal sebagai citra digital. Citra digital
merupakan citra non-fotografik yang direkam dalam bentuk elemen-elemen gambar (Purwadhi,
2001). Elemen-elemen gambar (pixel) menyatakan tingkat keabuan atau tingkat warna yang
terekam pada citra. Informasi yang terkandung dalam pixel tersebut bersifat diskrit (dengan ukuran

3

presisi tertentu). Diskrit dalam pengolahan data nilai keabuan dan titik-titik koordinat dinyatakan
dengan presisi angka terhingga.

C. PENGOLAHAN CITRA
Analisa citra (image analysis) dapat dilakukan melalui dua metode, image processing dan
pattern recognition. Image processing adalah sekelompok teknik komputasi untuk menganalisa,
peningkatan mutu citra (enhacing), kompresi dan rekonstruksi citra.
Sistem visual adalah sebuah proses untuk memperoleh pengukuran atau abstraksi dari sifatsifat geometri dari citra. Komponen yang membentuk sistem visual adalah komponen geometri,
pengukuran, dan interpretasi. Pembentukan citra terdiri atas geometri citra yang menentukan suatu
titik dalam suatu image, diproyeksikan pada bidang citra sebagai fungsi pencahayaan image dan
sifat-sifat permukaan (Arymurthy dan Suryana, 1992). Citra digital dapat diperoleh secara
otomatis dari sistem perangkat citra digital yang melakukan penjelajahan citra membentuk suatu
matrik dimana elemen-elemennya menyatakan tingkat intensitas cahaya pada suatu lingkungan
diskrit dari titik. Sistem tersebut merupakan bagian terdepan dari suatu sistem pengolahan citra
seperti terlihat pada Gambar 1.

Citra masukan

Sensor

Pengubah analog ke
digital

Citra digital

Monitor
Peraga

Penyimpanan
Bingkai Citra

Komputer
digital

Gambar 1. Sistem terdepan dari pengolahan citra (Arymurthy dan Suryana, 1992)
Citra merupakan sekumpulan titik-titik dari gambar yang berisi informasi warna dan tidak
bergantung pada waktu. Umumnya citra dibentuk dari kotak-kotak persegi empat yang teratur
sehingga jarak horizontal dan vertikal antar piksel sama pada seluruh bagian citra. Titik-titik
tersebut menggambarkan posisi koordinat dan menunjukkan warna citra. Warna citra didapat
melalui penjumlahan nilai Red, Green, Blue (RGB).
Koordinat memberikan informasi warna piksel berdasarkan; brightness (ketajaman) warna
cahaya (hitam, abu-abu, putih) dari sumber hue (corak warna) yang ditimbulkan oleh warna
(merah, kuning, hijau).
Citra (x,y) disimpan dalam memori komputer atau penyimpanan bingkai citra dalam bentuk
array N x M dari contoh diskrit dengan jarak sama, sebagai berikut :

4

f(x,y) =
Pixel (picturee eelement) adalah sebuah titik yang merupakan elemenn paling kecil pada citra.
Angka numerik (1 byt
yte) dari pixel disebut digital number (DN). DN bisa dit
ditampilkan dalam warna
kelabu, berkisar antara
ara putih dan hitam (gray scale), tergantung level energ
ergi yang terdeteksi. Unit
terkecil dari data digit
gital adalah bit, yaitu angka biner, 0 atau 1. Kumpulann dari
d data sejumlah 8 bit
adalah sebuah unit da
data yang disebut byte, dengan nilai 0-255. Dalam hall citra digital nilai level
energi dituliskan dalam
lam satuan byte. Kumpulan byte ini dengan struktur tertentu
te
bisa dibaca oleh
software dan disebutt ccitra digital 8-bit.
Alat masukann citra yang umum digunakan adalah CCD (charged ccouple device), dimana
sensor citra dari alatt in
ini menghasilkan keluaran berupa citra analog sehingga
ga dibutuhkan perangkat
digitasi yang terpisahh dengan kamera. Alat digitasi ini dapat berupa penjela
elajahan solid-state yang
menggunakan matriks
ks sel yang sensitif terhadap cahaya yang masuk, dima
mana citra yang terekam
mempunyai keduduka
kan yang tetap. Saat ini telah terdapat kamera digit
gital yang menghasilkan
keluaran langsung yan
ang berupa digital sehingga tidak diperlukan proses digi
igitasi lebih lanjut. Selain
itu, terdapat alat digit
gitasi lain yang disebut dengan alat digitasi video. Al
Alat ini digunakan pada
sistem penangkapan ccitra yang menghasilkan sinyal televisi. Sinyal videoo analog ini mempunyai
format keluaran yang
ang sesuai standar televisi berwarna seperti NTSC,
C, SECAM serta PAL
(Arymurthy dan Surya
yana, 1992).

5

III. METODE PENELITIAN

A. WAKTU DAN TEMPAT PELAKSANAAN
Penelitian dilaksanakan pada bulan April 2011 sampai dengan Oktober 2011 dan berlokasi
di Babakan Lio no 9A, Darmaga, dan Laladon, Bogor.

B. BAHAN DAN ALAT
1.

2.

Bahan
Bahan yang digunakan dalam penelitian ini adalah benih ikan lele berukuran 3-4 cm
sebanyak 300 ekor dan 5-7 cm sebanyak 400 ekor.
Alat
Peralatan yang digunakan dalam penelitian ini adalah:
a. Personal computer (PC) untuk pengolahan citra.
b. Kamera digital
c. Software Microsoft Visual Basic
d. Timbangan digital duduk dengan ketelitian 10-2 g dan timbangan digital gantung
dengan ketelitian 10-2 kg.
e. Meteran

C. METODE PENELITIAN
Penelitian ini terdiri dari beberapa tahap yaitu:
1.

Persiapan Alat
Pengambilan citra benih ikan lele menggunakan sebuah alat untuk mempermudah
pengambilan citra. Alat yang digunakan berupa wadah yang dirangkai dengan sebuah
kerangka dudukan yang terdapat kamera pada bagian atasnya. Terdiri atas beberapa
komponen seperti wadah ikan, meja alas, dan rangka dudukan kamera.
Prinsip kerja alat ini adalah mengambil dan menyimpan citra ikan di lapangan. Oleh
karena itu, dibutuhkan sebuah kerangka dudukan yang dapat menopang wadah agar tetap
stabil dan sejajar dengan tanah.
Wadah ikan dirancang agar dapat menampung ikan dengan jumlah tertentu tanpa
mengubah ketinggian air dalam wadah. Pengaturan ketinggian air tersebut dilakukan untuk
menghindari penumpukan benih ikan. Pada bagian kerangka meja alas dirancang untuk
menahan beban wadah yang berisi ikan. Kerangka meja alas terhubung langsung pada tiang
dudukan kamera yang dapat diatur tinggi rendah posisi kamera. Dengan pengaturan tinggi
rangka dudukan kamera tersebut ukuran image dapat diatur.

6

2.

Pengambilan Citra
Pengambilan citra dilakukan di tempat teduh pada siang dan sore hari agar
memperoleh cahaya matahari yang cukup. Menurut Saksanni (2008), petani budidaya dapat
menggunakan perangkat lunak pengolahan citra benih lele di ruang terbuka dengan syarat
cahaya matahari berada pada kisaran 67400-77300 lux. Benih ikan lele diposisikan secara
acak dalam wadah kaca berdimensi 30 cm x 40 cm x 3 cm dengan warna latar putih ( R=255,
G=255, B=255) pada dasar wadah. Benih ikan lele diupayakan tidak saling menumpuk satu
dengan yang lain untuk mempermudah komputer mengenali satu per satu. Warna putih
sebagai latar pada wadah dipilih karena merupakan warna yang paling optimum digunakan
pada tahap pengolahan citra. Penempatan kamera digital sebagai alat pengambilan citra
diatur dengan ketinggian tetap setinggi 39 cm dari dasar wadah untuk setiap pengambilan
citra.

3.

Pengolahan Citra
Tahap selanjutnya dari pengambilan citra adalah tahap pengolahan citra. Pada tahap
pengolahan citra dilakukan dengan menganalisis seluruh data yang disimpan dalam bentuk
JPEG. Dalam menganalisis data digunakan program pengolahan citra Microsoft Visual Basic
6.0. Ruang lingkup program tersebut terdiri atas modul membuka file, modul filterisasi dan
modul peragaan secara grafis pada citra yang diolah. Program dirancang untuk memisahkan
gambar objek dengan latar belakang (thresholding) yang bertujuan untuk menganalisis
klasifikasi warna objek dan luas objek. Proses thresholding dilakukan dengan perhitungan
nilai parameter warna Red, Green, Blue (RGB).

4.

Pengukuran Berat Ikan
Pengukuran berat dan panjang benih ikan lele dilakukan secara manual satu per satu
untuk memperoleh berat rata-rata dari 1 benih ikan lele tersebut. Setelah berat 1 ekor benih
diketahui, selanjutnya dilakukan pengukuran berat untuk beberapa ekor benih ikan lele. Pada
penelitian ini digunakan 100 ekor benih untuk dilakukan pengukuran berat. Perhitungan
jumlah benih ikan lele dapat diketahui dari hasil pengukuran berat benih secara gabungan
(100 ekor) dibagi dengan berat benih per ekor.

5.

Simulasi Perhitungan Jumlah
Setelah diperoleh data mengenai berat benih ikan lele, dilakukan simulasi untuk
menentukan jumlah benih ikan lele tersebut. Simulasi dilakukan menggunakan program
Microsoft Excel. Simulasi dilakukan dengan menghitung munculnya peluang berat ikan
tertentu.

7

IV. HASIL DAN PEMBAHASAN

A. DESKRIPSI ALAT
Perhitungan benih ikan dengan image processing didasarkan pada luas citra benih ikan.
Pengambilan citra menggunakan sebuah alat berupa wadah yang terdapat kamera di bagian
atasnya yang digunakan untuk mengambil citra benih ikan. Untuk dapat mengambil citra benih
ikan dengan baik maka alat harus mempunyai permukaan yang datar. Oleh karena itu alat harus
dibuat agar selalu stabil kedudukannya terhadap tanah, sehingga pada perancangannya alat dibuat
menyerupai kerangka meja dengan empat kaki yang saling terhubung untuk mempermudah dalam
menciptakan permukaan yang datar. Pada kerangka meja terpasang tiang dudukan kamera.
Gambar alat dapat dilihat pada Gambar 2.

4

3
1
2

Keterangan :
1.
2.
3.
4.

Wadah ikan
Kerangka dudukan wadah
Tiang penyangga kamera
Kamera

Gambar 2. Rancangan alat penghitung benih ikan
Alat juga dibuat agar dapat dibongkar pasang pada bagian dudukan kamera. Hal ini
dilakukan dengan dasar pertimbangan untuk mempermudah pengaturan ketinggian kamera
sehingga ukuran gambar dapat diatur sesuai kebutuhan. Cara penggunaan alat yaitu wadah ikan

8

diletakkan pada kerangka dudukan agar permukaan wadah stabil dan sejajar dengan tanah. Benih
ikan diambil dengan gayung atau nampan kecil kemudian dituangkan dalam wadah. Setelah
dilakukan pengambilan citra dengan kamera yang terpasang di atasnya, wadah ikan diangkat dan
benih ikan yang telah diambil gambarnya dituang ke tempat penampungan (wadah ikan yang lain).
Kemudian wadah diletakkan kembali pada kerangka dudukan untuk kemudian dilakukan
pengambilan citra benih ikan berikutnya.
1. Rancangan Fungsional
Rancangan ini terdiri atas beberapa komponen seperti :
a.

Wadah Ikan
Wadah ikan berfungsi untuk menampung ikan yang akan diambil gambarnya. Wadah
tersebut juga dapat mengatur ketinggian air di dalamnya.

b. Rangka Meja Alas
Rangka alas berfungsi sebagai dudukan wadah tempat ikan. Bagian ini terhubung dengan
dudukan kamera.
c.

Dudukan Kamera
Bagian ini berfungsi sebagai pengikat kamera yang akan digunakan untuk pengambilan
citra. Dudukan kamera ini dapat diatur ketinggiannya dengan mengatur posisi sekrup.
Sehingga, ukuran citra (lebar dan panjang) hasil tangkapan kamera dapat disesuaikan
ketinggiannya oleh rangka dudukan kamera.

d. Kamera
Kualitas gambar dipengaruhi oleh resolusi pada kamera. Jenis kamera yang digunakan
adalah kamera digital. Jenis kamera digital dapat dilihat pada Gambar 3.

Gambar 3. Kamera digital merk Spectra
2. Rancangan Struktural
Rancangan sturuktural terdiri atas beberapa komponen :

9

a. Rangka Dudukan Kamera
Bagian ini terbuat dari alminium yang terhubung dengan kamera. Bagian rangka ini
terhubung dengan meja alas yang dapat dilepas dengan panjang 60 cm dan tegak lurus
terhadap bidang horizontal meja alas. Pada rangka dudukan kamera terdapat sekrup untuk
menahan dan mengatur ketinggian. Tampilan rangka dapat dilihat pada Gambar 4.

Gambar 4. Rangka dudukan kamera
b. Wadah Ikan
Bagian ini terbuat dari kaca dengan ukuran 40x30x3 cm. Terdapat empat buah celah
berukuran 5 mm yang memanjang pada sepanjang sisi permukaan wadah dan terletak 1 cm
dari dasar wadah sebagai pengatur ketinggian air. Celah air tersebut dibuat agar dapat
meloloskan air tetapi dapat menahan benih ikan untuk tetap di dalam wadah. Ketinggian air
diatur 1 cm bertujuan untuk menahan benih agar tidak bisa saling tumpang tindih satu sama
lain. Tampilan wadah ikan dapat dilihat pada Gambar 5.

Gambar 5. Wadah ikan
c.

Rangka Meja Alas
Meja alas terbuat dari alminium dengan ukuran 31 x 41 cm dengan ketinggian kaki 30 cm.
Meja alas dibuat dengan ukuran sedikit lebih besar dari wadah ikan untuk mempermudah
penempatan wadah pada dudukan. Ketinggian rangka meja alas tersebut disesuaikan

10

dengan posisi tempat ikan yang akan dilakukan perhitungan. Pada umumnya benih ikan
dipelihara pada kolam kecil dengan ketinggian rendah atau di dalam ember, sehingga saat
menghitung benih ikan dilakukan dengan cara jongkok. Meja alas terhubung langsung oleh
dudukan kamera. Gambar rangka meja alas dapat dilihat pada Gambar 6.

Gambar 6. Kerangka meja alas

B. PENGOLAHAN CITRA
Hasil citra benih ikan yang telah diambil dengan kamera kemudian disimpan dalam memori
card dalam bentuk JPEG berukuran 629 x 477 pixels. Selanjutnya citra tersebut dipindahkan ke
komputer untuk selanjutnya diolah dengan menggunakan Microsoft Visual Basic 6.0. Program ini
dirancang untuk menganalisa citra digital benih ikan lele sehingga diperoleh jumlah piksel
parameter luas. Tampilan program dapat dilihat pada Gambar 7.

Gambar 7. Tampilan program pengolahan citra benih ikan lele

11

Program pengolahan citra yang dibuat terdiri atas tiga bagian utama, yakni proses
membuka file gambar benih ikan lele yang telah disimpan (open file), proses thresholding untuk
kalibrasi, dan proses perhitungan jumlah benih berdasarkan luas.
Tahapan kerja program pengolahan citra benih ikan lele adalah sebagai berikut:
1. Pengambilan citra benih ikan lele
Proses pengambilan citra menggunakan tombol perintah open file yang terdapat modul
program Visual Basic 6.0. Proses ini bertujuan untuk mencari alamat file citra benih ikan lele
yang telah disimpan pada folder. Citra benih ikan lele yang telah dipilih kemudian dibuka.
Citra yang telah dibuka akan diproses thresholding untuk mengukur parameter. Proses
pembukaan citra digital ditunjukkan pada Gambar 8.

Gambar 8. Tampilan proses pembukaan citra digital
2. Proses pemisahan citra objek dengan warna latar belakang (thresholding)
Proses thresholding dilakukan dengan mengklik tombol perintah kalibrasi. Perintah ini
bertujuan memisahkan objek dengan latar belakang sekaligus melakukan perhitungan jumlah
luas objek sebagai hasil kalibrasi yang akan digunakan untuk perhitungan selanjutnya. Proses
ini bekerja menggunakan nilai parameter R, G, dan B. Nilai-nilai parameter tersebut bekerja
pada algoritma penentuan parameter thresholding yang membatasi nilai R, G, dan B citra
digital sehingga piksel objek yang memenuhi batas nilai yang ditentukan akan diubah menjadi
piksel hitam (0,0,0) dan latar akan diubah menjadi piksel putih (255,255,255).
Nilai parameter algoritma penentuan parameter thresholding yang memisahkan objek
dan latar pada waktu pengambilan citra ditunjukkan pada Tabel 1. Proses pemisahan citra
objek dan citra latar ditunjukkan pada Gambar 9.

12

Tabel 1. Nilai sinyal RGB pada penentuan parameter thresholding

111

Intenitas
cahaya
siang
(lux)
63,048

Intensitas
cahaya
sore
(lux)
25,130

183

178

58,340

21,000

98

100

61,235

19,780

Parameter
Thresholding

Siang

Sore

R

128

G
B

Gambar 9. Tampilan proses pemisahan citra objek dan citra latar
3. Perhitungan parameter-parameter
Setelah mengklik tombol perintah kalibrasi, maka program akan memproses data-data
yang telah dimasukkan. Program akan menelusuri piksel demi piksel kemudian menghitung
parameter nilai RGB keseluruhan citra. Selanjutnya nilai-nilai RGB tersebut akan menghitung
jumlah luas per ekor benih sebagai kalibrasi. Tombol hitung kemudian diklik, program akan
menelusuri piksel demi piksel kembali berdasarkan hasil kalibrasi tersebut untuk menghitung
jumlah benih yang ada.

C. KARAKTERISTIK AREA BENIH IKAN LELE
Berdasarkan analisa pengolahan citra diperoleh bahwa karakteristik area benih ikan lele
saat pengambilan citra berbeda-beda satu sama lain. Karakteristik area dari benih ikan lele
dipengaruhi oleh tingkah laku dari benih ketika berada di dalam wadah.

13

1. Area Benih Ikan Tiap Waktu
Analisa pengolahan citra dilakukan dengan parameter luas. Hasil analisa menunjukkan
bahwa area yang diciptakan benih ikan lele tiap waktu mengalami peningkatan. Hal ini dapat
dilihat pada Gambar 10, 11, 12, dan 13. Peningkatan luasan area dari benih ikan lele
disebabkan oleh tingkah laku benih yang cenderung berkumpul ke tepi wadah setelah beberapa
saat. Hal ini mempengaruhi hasil analisa program. Program akan mendeteksi tiap luasan area
yang ditempati oleh benih ikan lele. Ketika benih berada pada posisi sendiri (tidak
bersinggungan dengan yang lain), program akan mendeteksi luasan yang dibentuk oleh benih
ikan tersebut kemudian luasan area tersebut akan diakumulasikan untuk menunjukkan luas area
benih secara keseluruhan. Ketika benih ikan berada pada posisi menggerombol (bersinggungan
dengan benih ikan yang lain), program tidak bisa memisahkan secara detil area dari tiap ikan.
Program akan membaca luasan area yang dibentuk sebagai satu kesatuan sehingga celah area
antar benih ikan yang bersinggungan tidak terdeteksi. Hal ini menyebabkan hasil pembacaan
luas area yang dibentuk oleh benih ikan tersebut menjadi semakin besar. Oleh karena itu, luas
area yang dibentuk benih ikan lele semakin besar seiring bertambahnya waktu benih di dalam
wadah tersebut.

40000
35000
Luas (piksel)

30000
25000
Ulangan1

20000
15000

Ulangan2

10000
Ulangan3

5000
0
0

5

10

15

Waktu (s)
Gambar 10. Grafik perubahan area 50 ekor benih ikan ukuran 3-4 cm pada siang hari

14

40000
35000

Luas(piksel)

30000
25000
20000

Ulangan1

15000

Ulangan2

10000

Ulangan3

5000
0
0

5

10

15

Waktu (s)
Gambar 11. Grafik perubahan area 50 ekor benih ikan ukuran 5-7 cm pada siang hari

40000
35000

Luas(piksel)

30000
25000
20000

Ulangan1

15000

Ulangan2

10000

Ulangan3

5000
0
0

5

10

15

Waktu (s)
Gambar 12. Grafik perubahan area 50 ekor benih ikan ukuran 3-4 cm pada sore hari

15

40000
35000

Luas(piksel)

30000
25000
20000

Ulangan1

15000

Ulangan2

10000

Ulangan3

5000
0
0

5

10

15

Waktu (s)
Gambar 13. Grafik perubahan area 50 ekor benih ikan ukuran 5-7 cm pada sore hari
Berdasarkan grafik tersebut dapat diketahui bahwa pada kondisi awal (0 detik) penempatan
ikan di dalam wadah, luasan area yang dibentuk oleh benih lebih kecil daripada setelah
beberapa saat (10 detik). Hal ini terjadi karena pada saat benih pertama dituang di dalam
wadah, benih ikan lele berenang menyebar dan belum menggerombol sehingga luasan yang
terhitung masih luasan tiap ekor yang terpisah. Setelah beberapa saat benih cenderung
menggerombol dan berhimpit satu dengan yang lain. Gambar dari pengambilan citra mulai 0
detik sampai 15 detik dapat dilihat pada Lampiran 2 dan 3. Pengambilan citra yang dilakukan
pada sore hari memiliki pencahayaan yang kurang, sehingga hasil pemotretan harus dinaikkan
brignese dan contrasnya agar dapat dilakukan proses threshold. Selain itu, arah datang cahaya
juga mempengaruhi hasil pengambilan citra yang selanjutnya berpengaruh pada hasil
perhitungan. Arah datang cahaya yang tidak tegak lurus langsung pada bidang wadah
menyebabkan adanya bayangan pada tepi wadah. Bayangan tersebut tidak terhapus saat
dilakukan proses threshold sehingga dihitung sebagai ikan.
2. Karakteristik Area per Ekor Benih Ikan Lele
Perhitungan jumlah piksel parameter luas merupakan akumulasi dari perhitungan luas dari
tiap ekor yang diperoleh setelah proses thresholding. Perhitungan luas dari tiap ekor benih yang
diperoleh berbeda tiap individu benih sesuai dengan posisi masing-masing benih ketika
dilakukan pengolahan citra.
a. Area pada benih ikan lele yang sama
Luas area benih ikan yang satu dengan yang lain berbeda-beda tergantung ukuran dari
benih tersebut. Untuk mengetahui kisaran area dari satu benih ikan lele, dilakukan pengolahan
citra pada satu benih ikan dengan berbagai poisi. Hasil pengolahan citra untuk menentukan
luas benih satu ekor ikan lele dapat ditunjukkan pada Tabel 2.

16

Tabel 2. Luas area 1 benih ikan ukuran 7.8 cm dengan berbagai posisi
Posisi
benih
ke

Luas
(piksel)

1

1006

2

1084

3

836

4

947

5

902

6

897

7

719

8

815

9

1091

10

1058

11

735

12

768

13

841

14

866

15

746

16

829

17

800

18

812

19

859

20

817

Data tersebut menunjukkan bahwa perubahan posisi dari benih berpengaruh terhadap
perhitungan luas area per ekor benih, sehingga pada satu benih ikan dapat menghasilkan
berbagai ukuran luas area (Lampiran 4). Dari data yang diperoleh, kemudian dilakukan uji
kenormalan dari luas area yang dibentuk oleh benih ikan tersebut. Uji kenormalan dilakukan
untuk mengetahui penyebaran normal dari data luas area benih yang diperoleh. Hasil uji
kenormalan dari luas area benih berukuran 7.8 cm dapat ditunjukkan pada Gambar 14 dan 15.
Hipotesis untuk uji kenormalan yaitu :
H0 : Menyebar normal
H1 : Tidak menyebar normal

17

Gambar 14. Grafik uji kenormalan luas area benih ikan ukuran 7.8 cm

Gambar 15. Kurva sebaran normal luas area benih ikan ukuran 7.8 cm
Berdasarkan uji KS (Kolmogorov Smirnov) diketahui bahwa nilai-p (0.137) > alpha 5%
maka terima H0. Hal ini berarti data luas area yang dibentuk 1 benih ekor ikan ukuran 7.8 cm
tersebut menyebar normal dengan standar deviasi sebesar 112.6. Dari data tersebut dapat
diketahui bahwa jumlah luas area yang dibentuk oleh benih berukuran 7.8 cm berkisar pada
sebaran 800-900 piksel.

18

b. Area pada benih ikan lele yang berbeda
Tiap benih ikan lele mempunyai posisi masing-masing. Area yang diciptakan dari tiap
benih berbeda satu sama lain. Hal ini dapat dilihat pada Gambar 16. Ukuran ikan yang beragam
akan menghasilkan luasan yang beragam juga tetapi perbedaan area benih ikan satu dengan
yang lain tidak jauh berbeda.
600

Luas(piksel)

500
400
300
200
100
0
1

2

3

4

5

Ikan
Gambar 16. Diagram area beberapa benih ikan ukuran 3-4 cm
c. Karakteristik Threshold
Selain dari keragaman benih ikan lele, batasan nilai R, G, dan B untuk melakukan
thresholding memberikan pengaruh terhadap hasil perhitungan area yang terjadi. Dalam hal ini
telah dilakukan pengamatan perhitungan luas area pada benih ikan lele dengan menggunakan
nilai threshold yang berbeda. Pada threshold 1, dengan nilai R= 128, G = 183, dan B = 98
menghasilkan rata-rata luas per ekor 498 piksel. Pada threshold 2, nilai R =128, G= 190, B=
98, rata-rata luas yang dihasilkan per ekor benih yaitu 585 piksel. Pada threshold 3, R =128, G=
175, B= 98, luas yang dihasilkan sebesar 432 piksel.
Jika batas nilai G ditambah atau diturunkan, maka akan menghasilkan perbedaan area
benih ikan yang jelas. Perubahan nilai R atau B tidak memberikan pengaruh yang besar
terhadap perubahan area yang terjadi. Pembacaan area dengan batasan thresholding yang
berbeda dapat ditunjukkan pada Gambar 17, 18, dan 19.

19

700

Luas(piksel)

600
500
400
300
200
100
0
1

2

3

4

5

Ikan
Gambar 17. Diagram area hasil threshold 1

700

Luas(piksel)

600
500
400
300
200
100
0
1

2

3

4

5

Ikan
Gambar 18. Diagram area hasil threshold 2

700

Luas(piksel)

600
500
400
300
200
100
0
1

2

3

4

5

Ikan
Gambar 19. Diagram area hasil threshold 3

20

Jika batas nilai G ditambah maka jumlah piksel luasan area benih ikan lele yang diperoleh
semakin besar. Begitu juga sebaliknya, jika nilai G diturunkan maka jumlah piksel luasan area
benih yang diperoleh juga semakin kecil. Hal ini terjadi karena pada benih ikan lele warna yang
dominan adalah warna hijau, sehingga pada nilai R, G, B nilai G mempunyai nilai paling besar
jika dibandingkan dengan R dan B.
d. Area untuk benih ikan lele yang berhimpit
Area benih ikan lele ketika sendiri dan menggerombol sangatlah berbeda. Benih ikan lele
yang berhimpit memiliki luasan area yang lebih besar daripada benih ikan lele yang sendiri.
Luasan area yang dibentuk tersebut tergantung dari posisi ketika berhimpit. Hal ini dapat
ditunjukkan pada Gambar 20 dan 21.
1400

Luas(piksel)

1200
1000
800
600
400
200
0
1

2

3

4

5

Posisi
Gambar 20. Diagram area 2 ekor ikan (3-4 cm) yang berhimpit

1400

Luas(piksel)

1200
1000
800
600
400
200
0
1

2

3

4

5

Posisi
Gambar 21. Diagram area 2 ekor ikan (5-7 cm) yang berhimpit
Besarnya luasan area yang dibentuk oleh 2 ekor benih ikan yang berhimpit rata-rata diatas
850 piksel untuk benih ukuran 3-4 cm dan 1100 piksel untuk benih ukuran 5-7 cm. Luasan area
yang dibentuk oleh 2 ekor benih yang berhimpit belum tentu 2 kali lipat luasan area 1 ekor
benih ikan lele. Besarnya luasan area tersebut bisa lebih besar atau lebih kecil dari 2 kali
ukuran luas 1 ekor ikan, tergantung posisi benih yang berhimpit. Hal ini terjadi karena hasil

21

tresholding belum mampu menganalisis tiap celah antar benih secara detil, sehingga celahcelah tersebut masuk dalam perhitungan area benih.

D. PERHITUNGAN JUMLAH BENIH IKAN LELE
Perhitungan jumlah benih ikan lele dilakukan berdasarkan hasil analisa luas dari tiap ekor
benih ikan lele. Hasil perhitungan luas piksel rata-rata tiap ekor benih dapat ditunjukkan pada
Tabel 3 dan 4.
Tabel 3. Perhitungan luas piksel ikan berukuran 3-4 cm
Ikan

Luas

ke

(piksel)

1

507

2

483

3

507

4

532

5

514

6

547

7

560

8

594

9

562

10

586

11

513

12

589

Rata-rata

542

22

Tabel 4. Perhitungan luas piksel ikan berukuran 5-7 cm
Ikan
ke
1

Luas
(piksel)
692

2

643

3

698

4

729

5

559

6

552

7

708

8

651

9

583

10

663

11

627

12

497

Rata-rata

633.5

Hasil dari perhitungan area tiap ekor benih ikan lele digunakan untuk membagi luasan area secara
kelompok sehingga diperoleh suatu angka yang menunjukkan jumlah dari benih ikan lele yang
ada. Hasil perhitungan jumlah benih ikan secara keseluruhan dapat ditunjukkan pada Tabel 5.

Grade

3-4 cm

5-7 cm

Tabel 5. Hasil perhitungan dengan image processing
Hasil perhitungan dengan image processing
Jumlah
Ulangan
(ekor)
(ekor)
ke0 (s)
5 (s)
10 (s)
15 (s)

50

50

1

48

51

52

55

2

47

47

51

49

3

48

49

52

54

4

49

52

57

59

5

48

51

50

56

1

46

53

55

58

2

47

52

52

54

3

46

47

55

56

4

50

51

52

59

5

46

48

53

57

Perhitungan jumlah benih pada pengambilan citra dari 0 detik sampai 15 detik setelah
benih berada dalam wadah cenderung mengalami peningkatan. Peningkatan jumlah perhitungan
terjadi karena luas area yang dibentuk oleh benih cenderung mengalami peningkatan sedangkan

23

area pembagi yang digunakan untuk perhitungan tetap. Hal ini terjadi karena benih ikan lele dalam
wadah cenderung menggerombol pada daerah tepi wadah sehingga mempengaruhi perhitungan
dari luas area benih. Seperti pada hasil perhitungan sebelumnya bahwa luasan area yang dibentuk
oleh 1 ekor benih ikan lele dapat menghasilkan bermacam luasan area tergantung posisi dari benih
tersebut. Dengan posisi benih yang semakin banyak berhimpit maka luasan area yang diciptakan
juga semakin bervariasi sehingga pembagian luas area dengan luas 1 ekor ikan menjadi bervariasi
juga. Perhitungan jumlah error yang terjadi ditunjukkan pada Tabel 6.
Tabel 6. Error perhitungan dengan image processing

Grade

3-4 cm

5-7 cm

Error (%)

Jumlah

Ulangan

(ekor)

ke-

0 (s)

5 (s)

10 (s)

15 (s)

1

4

2

4

10

2

6

6

2

2

3

4

2

4

8

4

2

4

14

18

5

4

2

0

12

1

8

6

10

16

2

6

4

4

8

3

8

6

10

12

4

0

2

4

18

5

8

4

6

14

50

50

Berdasarkan hasil perhitungan error di atas, waktu pengambilan citra terbaik yaitu pada waktu 5
detik benih berada dalam wadah. Rata-rata error pada pengambilan citra waktu 0 detik setelah
benih dituang sebesar 4%, 5 detik setelah benih dituang sebesar 3%, 10 detik setelah benih dituang
sebesar 5%, dan 15 detik setelah benih dituang sebesar 10% untuk grade 3-4 cm. Pada grade 5-7
cm rata-rata error pada pengambilan citra waktu 0 detik setelah benih dituang sebesar 6%, 5 detik
setelah dituang sebesar 4%, 10 detik setelah dituang sebesar 7%, dan 15 detik setelah dituang
sebesar 14%.

E. Berat Benih Ikan Lele
1. Berat 1 ekor benih
Berdasarkan analisa berat benih ikan lele, dapat diketahui bahwa berat benih ikan yang
satu dengan yang lain bervariasi tergantung dari ukuran benih itu sendiri. Benih yang
berukuran kecil memiliki berat yang lebih ringan dibandingkan benih yang berukuran lebih
besar. Hal ini dapat ditunjukkan pada Tabel 7. Pengukuran berat benih ditunjukkan Gambar 22.

24

Tabel 7. Hasil pengukuran berat dan panjang per ekor benih ikan lele
Ikan
ke

Berat (g)

Panjang
(cm)

Ikan
ke

Berat (g)

Panjang
(cm)

Ikan
ke

Berat (g)

Panjang
(cm)

1

3.21

7.6

27

3.37

7.2

53

2.75

7.1

2

1.05

6

28

1.43

5.9

54

3.29

7.4

3

2.03

6.7

29

3.14

7.6

55

2.11

6.4

4

1.54

5.9

30

1.78

6.2

56

3.01

7

5

0.98

5.1

31

2.43

6.5

57

2.58

6.8

6

2.31

7.1

32

1.67

6.3

58

3.14

7.3

7

2.74

6.4

33

2.35

6.4

59

4.68

8.7

8

2.73

7.4

34

2.65

6.7

60

1.33

5.7

9

2.11

6.3

35

1.53

6.1

61

1.86

6.2

10

1.66

6.5

36

1.87

6.3

62

1.63

6

11

2.21

6.8

37

2.21

6.4

63

2.61

6.6

12

1.83

6

38

1.77

6.1

64

2.53

6.5

13

0.83

4.6

39

2.64

6.9

65

2.21

6.2

14

1.96

6.2

40

2.37

6.6

66

1.44

6

15

1.53

6.1

41

1.61

6.1

67

1.78

6.1

16

1.65

6

42

2.23

6.3

68

2.47

6.6

17

2.17

6.6

43

2.14

6.2

69

2.98

7.3

18

3.12

7.1

44

1.73

6.1

70

3.11

7.8

19

1.84

6.3

45

1.51

6

71

2.54

7.2

20

2.73

6.6

46

1.68

6.2

72

1.37

6.1

21

2.77

7

47

2.16

6.4

73

1.71

6.3

22

2.25

6.4

48

1.88

6

74

2.43

7.3

23

1.63

5.7

49

1.47

5.9

75

2.46

6.9

24

2.24

6.3

50

1.72

6.1

76

1.17

5.9

25

1.71

6.1

51

2.16

6.3

26

3.21

7.1

52

2.44

6.5

Gambar 22. Penimbangan benih

25

Berdasarkan data di atas dapat diketahui bahwa setiap benih ikan lele memiliki panjang
tubuh dan berat yang berbeda-beda. Perbedaan tersebut dipengaruhi oleh keseragaman benih
dalam suatu komunitas. Hubungan antara berat benih dan panjang benih ditunjukkan pada
Gambar 23.

5
y = 0.986x - 4.218
R² = 0.831

4.5
4

Massa(g)

3.5
3
2.5
2
1.5
1
0.5
0
0

1

2

3

4

5

6

7

8

9

10

Panjang (cm)

Gambar 23. Grafik perbandingan berat terhadap panjang tubuh benih ikan ukuran 5-7 cm
Hipotesis
H0 : Panjang tidak berpengaruh nyata terhadap berat
H1 : Panjang berpengaruh nyata terhadap berat
Berdasarkan analisis regresi berat terhadap panjang benih, dapat diperoleh hasil bahwa nilai-p
pada uji-t sebesar (0.000) alpha 5% maka terima H0. Hal ini
menunjukkan bahwa data berat menyebar normal. Kurva sebaran normal dari berat benih dapat
ditunjukkan pada Gambar 25.

Berat (g)

Gambar 25. Kurva sebaran normal berat benih ukuran 5-7 cm
Berdasarkan data pengukuran diketahui bahwa benih ikan lele pada ukuran antara 5-7 cm
memiliki berat rata-rata 2.17 g dengan standar deviasi sebesar 0.66 dan panjang tubuh 6.48 cm.

27

2. Berat beberapa ekor benih ikan
Berat benih ikan lele yang bervariasi menghasilkan berat kolektif yang bervariasi juga
tergantung dari keseragaman ukuran benih ikan lele satu dengan yang lain. Hal ini dapat
ditunjukkan pada Tabel 8.
Tabel 8. Hasil pengukuran berat 100 ekor benih ikan
Sampel
ke1

Berat
total (g)
213

2

227

3

232

4

204

5

211

6

236

7

221

8

228

9

225

10

211

11

216

12

224

13

229

14

206

15

217

16

213

17

207

18

218

19

223

20

219

Berdasarkan data tersebut, diperoleh data berat total 100 ekor benih yang bervariasi.
Kisaran berat total benih antara 204-236 g. Variasi hasil pengukuran berat total benih
dipengaruhi oleh keseragaman benih satu dengan yang lain. Pengambilan sampel dilakukan
secara acak sehingga sampel yang diperoleh bervariasi, ada yang dominan besar, ada yang
dominan kecil, dan campuran besar kecil. Untuk mengetahui kenormalan dari berat total benih
yang diperoleh maka dilakukan uji kenormalan pada berat total benih tersebut. Hasil dari uji
kenormalan dapat dilihat pada Gambar 26 dan 27.

28

Gambar 26. Grafik uji kenormalan berat 100 ekor benih ikan

Gambar 27. Kurva sebaran normal berat 100 ekor benih ikan
Hipotesis
H0 : Menyebar normal
H1 : Tidak menyebar normal
Berdasarkan uji KS (Kolmogorov Smirnov) nilai-p (0.150) > alpha 5% maka terima H0. Hal
ini menunjukkan bahwa data berat total 100 ekor benih tersebut menyebar normal. Dari kurva
sebaran normal di atas dapat diketahui bahwa nilai rata-rata berat 100 ekor benih ikan sebesar
219 g dengan standar deviasi sebesar 8.9.
3. Perhitungan Jumlah dan Error
Dengan melihat data berat 1 ekor benih dan berat kolektif dari sejumlah benih, maka
dapat dilakukan perhitungan untuk mengetahui jumlah benih yang sebenarnya. Perhitungan

29

jumlah benih dapat ditunjukkan pada Tabel 9. Perhitungan jumlah benih dapat diketahui
dengan membagi berat total benih dengan berat rata-rata 1 ekor benih.
Tabel 9. Hasil perhitungan 100 ekor benih ikan dengan pengukuran berat

Sampel
ke

Berat
total
(g)

1

213

Jumlah
ikan
dugaan
(ekor)
98

2

227

3

Jumlah
sebenarnya
(ekor)

Error
(%)

100

2

105

100

5

232

107

100

7

4

204

94

100

6

5

211

97

100

3

6

236

109

100

9

7

221

102

100

2

8

228

105

100

5

9

225

104

100

4

10

211

97

100

3

11

216

100

100

0

12

224

103

100

3

13

229

106

100

6

14

206

95

100

5

15

217

100

100

0

16

213

98

100

2

17

207

95

100

5

18

218

100

100

0

19

223

103

100

3

20

219

101

100

1

Data di atas menunjukkan perbedaan hasil perhitungan dengan jumlah sebenarnya. Dari data
tersebut, dapat diperoleh hasil bahwa akurasi perhitungan jumlah benih dengan membagi berat
total benih dengan berat 1 individu benih mempunyai akurasi yang cukup tinggi dengan error
rata-rata 3.5%. Hal ini disebabkan keseragaman ukuran antar individu benih cukup besar,
sehingga hasil pembagian tidak begitu jauh berbeda satu dengan yang lain.

F. Simulasi Perhitungan Jumlah Benih Ikan Lele Berdasarkan Berat
Benih ikan lele memiliki berat yang berbeda dari tiap individu tergantung dari ukuran
benih ikan tersebut. Benih yang besar akan memiliki berat tubuh yang lebih dibandingkan dengan
benih ikan yang kecil. Dengan diketahui berat dari tiap ekor benih ikan lele, maka dapat diketahui
kisaran berat per ekor benih ikan lele. Kisaran berat yang dimaksud adalah berat minimum dan

30

maksimum dari 1 ekor benih ikan. Simulasi dilakukan dengan perhitungan peluang dari tiap berat
benih ikan lele pada kisaran yang ada. Peluang munculnya berat ikan tertentu dapat dilihat pada
Tabel 10.
Tabel 10. Peluang munculnya berat ikan tertentu pada benih ikan berukuran 5-7 cm

No

Berat
Minimum
(g)

Berat
Maksimum
(g)

1

0.75

0.93

Ratarata
Berat
(g)
0.8417

2

0.93

1.12

3

1.12

4

Jumlah
Kejadian

Jumlah
Berat
(g)

Peluang

Peluang
Kumulatif

1

0.8417

0.012987

0.0129870

1.0250

2

2.0500

0.025974

0.0389610

1.30

1.2083

1

1.2083

0.012987

0.0519481

1.30

1.48

1.3917

5

6.9583

0.064935

0.1168831

5

1.48

1.67

1.5750

9

14.1750

0.116883

0.2337662

6

1.67

1.85

1.7583

11

19.3416

0.142857

0.3766234

7

1.85

2.03

1.9417

4

23.3000

0.155844

0.5324675

8

2.03

2.22

2.1250

10

17.0000

0.103896

0.6363636

9

2.22

2.40

2.3083

6

16.1583

0.090909

0.7272727

10

2.40

2.58

2.4917

7

9.9667

0.051948

0.7792208

11

2.58

2.77

2.6750

9

13.3750

0.064935

0.8441558

12

2.77

2.95

2.8583

1

11.4333

0.051948

0.8961039

13

2.95

3.13

3.0417

3

12.1667

0.051948

0.9480519

14

3.13

3.32

3.2250

6

9.6750

0.038961

0.9870130

15

3.32

3.50

3.4083

1

3.4083

0.012987

1.0000000

Hasil perhitungan dengan simulasi berdasarkan berat ikan dapat dilihat pada Tabel 11.
Tabel 11. Hasil simulasi perhitungan 100 ekor benih ikan berdasarkan berat
Hasil
Error
Percobaan Berat (g) pendugaan
(%)
(ekor)
1
211.97
100
0
2

219.25

103

3

3

208.28

98

2

4

214.32

101

1

5

209.19

99

1

6

207.94

98

2

7

204.25

96

4

8

205.98

97

3

9

218

102

2

10

215.23

102

2

11

208.9

99

1

31

Percobaan
12

Tabel 11. (Lanjutan)
Hasil
Berat (g) pendugaan
(ekor)
212.14
100

Error
(%)
0

13

208.64

98

2

14

206.3

97

3

15

218

103

3

16

200.45

95

5

17

202.98

96

4

18

205.17

97

3

19

210.14

99

1

20

204.1

96

4

21

207.41

98

2

22

205.98

97

3

23

203.18

96

4

24

214.5

101

1

25

214.17

101

1

Berdasarkan hasil perhitungan simulasi tersebut dapat diketahui bahwa error perhitungan yang
terjadi kecil, yaitu rata-rata sebesar 2.3 %. Hasil pendugaan jumlah benih ikan memiliki akurasi
yang cukup tinggi. Hasil tersebut tidak jauh berbeda dengan hasil pengukuran berat benih secara
langsung. Hal ini terjadi karena input yang digunakan dalam simulasi merupakan data hasil dari
pengukuran berat secara langsung.

32

V. KESIMPULAN DAN SARAN

A. Kesimpulan
Dari penelitian ini dapat ditarik kesimpulan:
1. Metode perhitungan benih ikan dengan image processing dirancang berdasarkan citra benih
ikan. Pengambilan citra menggunakan sebuah alat yang terdiri dari wadah penampung ikan,
kerangka meja wadah, dan dudukan kamera. Cara kerja dari alat yaitu benih dituang dalam
wadah kemudian diambil gambarnya oleh kamera digital dan menyimpannya dalam bentuk
JPEG. Citra tersebut kemudian dipindahkan ke komputer untuk selanjutnya diolah dengan
program Visual Basic 6.0 agar didapatkan area citra benih ikan.
2. Luas area citra yang diciptakan oleh benih ikan lele dipengaruhi oleh posisi dan waktu dari
saat benih ikan dilepaskan ke dalam wadah.
3. Berat benih ikan lele berbanding lurus dengan panjang tubuhnya. Benih ikan lele ukuran
antara 5-7 cm memiliki berat rata-rata 2.17g dengan standar deviasi sebe

Dokumen yang terkait

Pengembangan Metode Penghitungan Benih Ikan Lele dengan Pengolahan Citra dan Penimbangan Benih