Identifikasi Bibit Unggul Daun Tanaman Karet Melalui Deteksi Tepi Menggunakan Metode Sobel

IDENTIFIKASI BIBIT UNGGUL DAUN TANAMAN KARET

MELALUI DETEKSI TEPI MENGGUNAKAN METODE

SOBEL

SKRIPSI

JOSEP MUNTHE

100803066

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

MEDAN

2015

IDENTIFIKASI BIBIT UNGGUL DAUN TANAMAN KARET

MELALUI DETEKSI TEPI MENGGUNAKAN METODE

SOBEL

SKRIPSI

Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Sains

JOSEP MUNTHE

100803066

DEPARTEMEN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS SUMATERA UTARA

MEDAN

2015

PERSETUJUAN

Judul : Identifikasi Bibit Unggul Daun Tanaman Karet Melalui Deteksi Tepi Menggunakan Metode Sobel

Kategori : Skripsi

Nama : Josep Munthe

Nomor Induk Mahasiswa : 100803066

Program Studi : Sarjana (S1) Matematika Departemen : Matematika

Fakultas : Matematika dan Ilmu Pengetahuan Alam Universitas Sumatera Utara

Disetujui di

Medan, November 2015

Komisi Pembimbing:

Pembimbing 2, Pembimbing 1,

Dr. Syahriol Sitorus, S.Si., M.I.T. Dr. Suyanto, M.Kom NIP. 197103101997031004 NIP. 19590813198601102

Disetujui Oleh

Departemen Matematika FMIPA USU Ketua,

Prof. Dr. Tulus, M.Si. NIP. 196209011988031002

PERNYATAAN

IDENTIFIKASI BIBIT UNGGUL DAUN TANAMAN KARET MELALUI DETEKSI TEPI MENGGUNAKAN METODE SOBEL

SKRIPSI

Saya mengakui bahwa skripsi ini adalah hasil karya sendiri. Kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.

Medan, Nobember 2015

JOSEP MUNTHE 100803066

PENGHARGAAN

Puji dan syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa karena hanya dengan kasih dan berkat-Nya yang tak berkesudahan penulis dapat menyelesaikan penyusunan skripsi ini dengan judul Identifikasi Bibit Unggul Daun Tanaman Karet dengan Menggunakan Deteksi Tepi Sobel.

Terimakasih penulis sampaikan kepada Bapak Dr. Suyanto, M.Kom selaku pembimbing 1 dan Bapak Dr. Syahriol Sitorus, S.Si., M.I.T selaku pembimbing 2 yang telah dengan sabar meluangkan waktunya untuk membimbing penulis selama penulisan skripsi ini. Penulis juga mengucapkan terimakasih kepada Bapak Dr. Sawaluddin, M.I.T. dan Bapak Drs. Marihat Situmorang, M.Si. selaku penguji yang telah memberikan kritik dan saran yang sangat penting dalam penyempurnaan penulisan skripsi ini. Terimakasih kepada Bapak Prof. Dr. Tulus, M.Si dan Ibu Dr. Mardiningsih, M.Si selaku Ketua dan Sekretaris Departemen Matematika FMIPA USU. Terimakasih kepada Bapak Dr. Sutarman, M.Sc selaku Dekan FMIPA USU serta seluruh civitas akademika di lingkungan FMIPA USU. Teristimewa kepada Ayahanda Ir. Haposan Munthe dan Ibunda tercinta Nurhayati Siregar, S.P serta saudara dan saudari penulis dr. Fuji Dakka Anugerah Munthe, Deviana Pratiwi Munthe, S.ST., M. Kes dan Rosariwati Oktaviana Munthe, S.Far yang selama ini memberikan bantuan dan dorongan yang amat besar untuk terselesaikannya penulisan skripsi ini. Juga tidak lupa teman-teman seperjuangan di Matematika FMIPA USU Septian Maulidho Putra, S.Si, M Ridwan S.Si, Amsal Surbakti, S.Si, Cantua Situmorang, S.Si, Parningotan Simanjuntak, S.Si, Pinjil Tumanggor, S.Si, Rival Sijabat S.Si, Nadia Theresia, S.Si serta seluru teman-teman Matematika 2010 yang telah memberikan dukungan penuh kepada penulis. Semoga segala bentuk bantuan yang telah diberikan kepada penulis mendapatkan balasan yang lebih baik dari Tuhan Yang Maha Kuasa.

IDENTIFIKASI BIBIT UNGGUL DAUN TANAMAN KARET MELALUI DETEKSI TEPI MENGGUNAKAN METODE SOBEL

ABSTRAK

Ada beberapa jenis (klon) tanaman karet yang telah ditemukan, diantaranya dapat dinyatakan unggul dibanding dengan yang lainnya. Penelitian ini dilakukan untuk membangun sistem yang dapat mengidentifikasi dan mengenali jenis tanaman karet berdasarkan pola daun dari tanaman. Identifikasi dimulai dengan akuisisi data citra, pengolahan citra, deteksi tepi gambar, dan menggunakan metode identifikasi template matching. Deteksi tepi yang digunakan adalah deteksi tepi Sobel. Pengenalan pola akan mendeteksi image sebagai masukan, dibanding dengan gambar lain dalam database yang disebut template. Percobaan dilakukan dalam dua tahap yaitu identifikasi bentuk daun dan identifikasi tepi daun, dengan menggunakan 14 image daun tanaman karet yang unggul dan 5 image uji untuk setiap jenis (klon) tanaman. Dari hasil percobaan diperoleh tingkat pengenalan sebesar 91.79%

IDENTIFICATION OF SEED RUBBER PLANT LEAVE`S USING BY SOBEL EDGE DETECTION

ABSTRACT

There are several types (clones) rubber plants that have been discovered, which can be declared superior to the others. This research was conducted to develop a system that can identify and recognize the type of rubber tree based on the pattern of leaves of the plant. Starting with the identification of the image data acquisition, image processing, image edge detection and identification method template matching. Edge detection is used Sobel edge detection. Pattern recognition will detect image as input, compared with other images in a database called templates. Experiments carried out in one phase, the identification of the edge of the leaf, using a rubber plant leaf image 14 are superior and 5 for each type of test images (clones) of the plant. From the experimental results obtained by the recognition rate of 91.79%

DAFTAR ISI

Halaman

PERSETUJUAN i

PERNYATAAN ii

PENGHARGAAN iii

ABSTRAK iv

ABSTRACT v

DAFTAR ISI vi

DAFTAR TABEL viii

DAFTAR GAMBAR ix

DAFTAR LAMPIRAN x

BAB 1. PENDAHULUAN 1

1.1 Latar Belakang 1

1.2 Perumusan Masalah 1

1.3 Batasan Masalah 2

1.4 Tujuan Penelitian 2

1.5 Kontribusi Penelitian 2

1.6 Metodologi Penelitian 3

1.5 Diagram Konsep 3

BAB 2. TINJAUAN PUSTAKA 7

2.1 Citra Digital 5

2.1.1 Citra Analog 5

2.1.2 Citra Digital 6

2.1.3 Jenis-jenis Citra Digital 6

2.2 Pengolahan Citra 8

2.3 Deteksi Tepi 8

2.3.1 Metode Deteksi Tepi 9

2.3.1.1 Metode Sobel 9

2.3.1.2 Metode Roberts 9

2.3.1.3 Metode Prewitt 10

2.4 Penipisan Citra (Image Thining) 10

2.5 Pengenalan Pola (Pettern Recognition) 10

2.6 Tumbuhan Karet 11

2.7 Daun 13

BAB 3. PERANCANGAN PROGRAM 15

3.1 Penigkatan Mutu Citra 17

3.1.1. Konversi Citra Aras Keabuan 17

3.1.3. Pelembutan Citra 17

3.1.4. Pengembangan (thresholding) 17

3.2 Deteksi Tepi 18

3.2 Pengenalan Pola 18

BAB 4. HASIL PENGUJIAN DAN PEMBAHASAN 20

4.1 Kebutuhan Perangkat Lunak dan Perangkat Keras 20

4.2 Hasil Pengujian 20

4.2.1. Konversi Citra Aras Keabuan 21

4.2.2. Pengembangan (Thresholding) 21

4.2.3. Deteksi Tepi Citra 22

4.2.4. Identidikasi Citra 23

4.2.5. Hasil Identifikasi 26

4.3 Pembahasan 30

BAB 5. KESIMPULAN DAN SARAN 32

5.1 Kesimpulan 32

5.2 Saran 32

DAFTAR TABEL

Nomor

Tabel

Judul Halaman

2.1 Jenis (klon) Tanaman Karet Anjuran 12

4.1 Tabel Jenis (klon) Acuan 21

4.2 Tabel Pengujuan 25

DAFTAR GAMBAR

Nomor

Gambar

Judul Halaman

1.1 Diagram Identifikasi Bibit Unggul Daun Tanaman Karet Melalui Deteksi Tepi Sibel

4

2.1 (a) Citra Biner; (b) Representasi Citra Biner 6

2.2 (a) Citra Grayscale; (b) Citra Warna 7

2.2 (a) Gambar Jenis (klon) IRR 105; (b) Gambar Jenis (klon) PB 340 14

3.1 Flowchart Pengolahan Citra Acuan 14

3.2 Flowchart Proses Identifikasi Citra Masukan 15

4.1 Citra Warna (a) dan Citra Aras Keabuan (b) 17

4.2 Citra Aras Keabuan (a) dan Citra Biner (b) 18

4.3 Hasil Proses Deteksi Tepi 19

4.4 Halaman Utama 19 4.5 Pop-up Window Ambil Gambar 21

DAFTAR LAMPIRAN

Nomor

Lampiran

Judul Halaman

1 Fungsi Utama 35

2 Fungsi Identifikasi 38

IDENTIFIKASI BIBIT UNGGUL DAUN TANAMAN KARET MELALUI DETEKSI TEPI MENGGUNAKAN METODE SOBEL

ABSTRAK

Ada beberapa jenis (klon) tanaman karet yang telah ditemukan, diantaranya dapat dinyatakan unggul dibanding dengan yang lainnya. Penelitian ini dilakukan untuk membangun sistem yang dapat mengidentifikasi dan mengenali jenis tanaman karet berdasarkan pola daun dari tanaman. Identifikasi dimulai dengan akuisisi data citra, pengolahan citra, deteksi tepi gambar, dan menggunakan metode identifikasi template matching. Deteksi tepi yang digunakan adalah deteksi tepi Sobel. Pengenalan pola akan mendeteksi image sebagai masukan, dibanding dengan gambar lain dalam database yang disebut template. Percobaan dilakukan dalam dua tahap yaitu identifikasi bentuk daun dan identifikasi tepi daun, dengan menggunakan 14 image daun tanaman karet yang unggul dan 5 image uji untuk setiap jenis (klon) tanaman. Dari hasil percobaan diperoleh tingkat pengenalan sebesar 91.79%

IDENTIFICATION OF SEED RUBBER PLANT LEAVE`S USING BY SOBEL EDGE DETECTION

ABSTRACT

There are several types (clones) rubber plants that have been discovered, which can be declared superior to the others. This research was conducted to develop a system that can identify and recognize the type of rubber tree based on the pattern of leaves of the plant. Starting with the identification of the image data acquisition, image processing, image edge detection and identification method template matching. Edge detection is used Sobel edge detection. Pattern recognition will detect image as input, compared with other images in a database called templates. Experiments carried out in one phase, the identification of the edge of the leaf, using a rubber plant leaf image 14 are superior and 5 for each type of test images (clones) of the plant. From the experimental results obtained by the recognition rate of 91.79%

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Dewasa ini, berbagai teknologi telah dikembangkan untuk membantu dalam kehidupan manusia. Salah satunya dalam Pengolahan Citra Digital. Pengolahan citra digital telah banyak dikembangkan untuk membantu dalam berbagai bidang, antara lain dalam bidang: hukum, teknik, kedokteran dan pertanian. Dalam perkembangan kebutuhan pengolahan citra digital, berbagai metode telah banyak di kembangkan oleh para peneliti, salah satunya adalah metode deteksi tepi.

Deteksi Tepi adalah proses untuk menemukan perubahan intensitas yang berbeda nyata dalam sebuah bidang citra. Sebuah operator deteksi tepi merupakan operasi bertanngga, yaitu sebuah operasi yang memodifikasi nilai keabuan sebua titik yang ada di sekitarnya (tetangganya) yang masing-masing mempunyai bobot tersendiri. (Sutoyo, 2009).

Saat ini banyak metode yang sering digunakan dalam melakukan deteksi tepi dalam pengolahan citra digital, diantaranya Metode Robert, Metode Prewitt, Metode sobel, dan Metode laplace. Diantara metode-metode yang sering digunakan dalam deteksi tepi (edge detection), penulis menggunakan metode Sobel dikarenakan tepi gambar yang dihasilkan lebih tajam

Berdasarkan pemaparan di atas, dan berkaitan dengan penggunaan pengolahan citra digital, penulis tertarik untuk membahas tentang bagaimana metode deteksi tepi (edge detection) bekerja dalam identifikasi bibit unggul dengan deteksi tepi daun karet.

1.2 Perumusan Masalah

Permasalahan yang akan dibahas adalah bagaimana mengidentifikasi jenis tanaman karet berdasarkan bentuk tepi daun karet dengan menggunakan Metode Sobel

1.3 Batasan Masalah

Untuk membuat permasalahan lebih terarah dan mecegah meluasnya permasalahan, maka dilakukan pembatasan-pembatasan masalah antara lain:

1. Pada penelitian ini hanya mengambil daun yang sehat 2. Tanaman Karet yang diambil daunnya berusia 2 tahun

3. Citra yang dibahas adalah citra hasil pemotretan daun yang sudah diubah dalam bentuk citra digital.

4. Pembahasan hanya pada identifikasi tepi daun.

5. Daun yang dideteksi adalah daun hasil pemotretan dari depan (tampak depan).

6. Bagian daun yang diambil adalah bagian daun pada helai ke dua (tengah)

1.4 Tujuan Penelitian

Mengidentifikasi jenis bibit yang unggul pada daun tanaman karet menggunakan Metode Deteksi Tepi Sobel

1.5 Kontribusi Penelitian

Adapun kontribusi dari penelitian ini adalah sebagai berikut :

1. Mempermudah masyarakat umum untuk membedakan jenis bibit unggul dengan yang tidak unggul

2. Membantu penulis dalam menerapkan ilmu dan pengetahuan dalam pengolahan citra ke dalam dunia nyata

3. Dengan menggunakan metode Sobel pada deteksi tepi citra diharapkan dapat mempermudah mengidentifikasi jenis bibit unggul tanaman karet berdasarkan bentuk daun tanaman karet tersebut

4. Dapat digunakan sebagai tambahan informasi dan referensi bacaan untuk mahasiswa matematika, terlebih bagi mahasiswa yang akan melakukan penelitian serupa

1.6 Metodologi Penelitian

Metodologi penelitian yang digunakan untuk memecahkan permasalahan dalam tugas akhir ini adalah sebagai berikut:

1. Studi literatur

Tahap ini dilakukan dengan mengidentifikasi permasalahan, mengkaji dan memahami teori-teori yang dipelajari diantaranya mengenai kosep deteksi tepi (edge detection) metode sobel serta pengenalan pola (pattern recognition). Penelusuran referensi ini bersumber dari buku, jurnal maupun penelitian yang telah ada sebelumnya mengenai hal-hal yang berhubungan dengan pengolahan citra digital, deteksi tepi seta metode sobel dan juga kajian dari ahli mengenai jenis bibit unggul pada tanaman karet.

2. Analisa data

Data yang dipakai dalam penelitian ini adalah hasil foto daun bagian atas yang disimpan dalam file dengan format jpg.

3. Analisis permasalahan

Pada tahap ini dilakukan analisis terhadap studi literatur untuk mengetahui dan mendapatkan pemahaman mengenai metode sobel untuk menyelesaikan permasalahan untuk mengidentfikasi jenis bibit unggul pada tanaman karet

4. Pengambilan kesimpulan

Pada tahap ini dilakukan penarikan kesimpulan hasil analisa data sekaligus memberikan saran yang berkaitan dengan pengembangan penelitian sebelumnya

1.7Diagram Konsep

Berikut ini adalah diagram konsep identifikasi bibit unggul tanaman karet melalui deteksi tepi daun dengan menggunakan metode sobel

Gambar 1.1 Diagram Proses Identifikasi bibit unggul tanaman karet

melalui deteksi tepi dengan metode sobel. Konversi Citra Aras

Keabuan

Pengubahan Ukuran Citra

Pelembutan Citra

Deteksi Tepi Sobel

Penyesuaian dengan Citra Acuan dalam Basis Data

Koefesien Korelasi Penipisan Pola

BAB 2

TINJAUAN PUSTAKA

2.1 Citra Digital

Secara harafiah, citra (image) adalah gambar pada bidang dua dimensi. Ditinjau dari sudut pandang matematis, citra merupakan fungsi kontinu dari intensitas cahaya pada bidang dua dimensi.sumber cahaya menerangi objek, objek memantulkan kembali sebagian dari berkas cahaya tersebut.pemantulan cahaya ini ditangkap oleh alat-alat optik, misalnya mata pada manusia, kamera, pemindai (scanner), dan sebagainya, sehingga bayangan objek yang disebut citra tersebut terekam (Munir, 2004)

Citra beraras keabuan adalah citra yang hanya menggunakan tingkat warna abu-abu. Warna abu-abu adalah salah satunya warna pada RGB dengan komponen merah, hijau dan biru mempunyai intesitas sama. Pada citra aras keabuan hanya perlu dinyatakan nilai intansitas untuk setiap piksel sebagai nilai tunggal, sedangkan pada citra warna perlu tiga nilai intensitas untuk setiap pikselnya. Intesitas citra beraras keabuan disimpan sebai inyeger 8 bit sehingga memberikan 28 = 256 tingkat keabuan dari warna hitam sampai putih. Dengan menggunakan pola 8 bit ini citra beraras keabuan membutuhkan ruang memori, disc, dan waktu pengolahan yang lebih sedikit daripada citra berwarna (RGB) (Ibrahim, 2004)

2.1.1 Citra Analog

Citra analog adalah citra yang bersifat kontinu, seperti gambar pada monitor televisi, foto sinar-X, foto yang tercetak dikertas foto, dan lain sebagainya. Citra analog tidak dapat direpresentasikan dalam komputer sehingga tidak bisa diproses di komputer secara langsung. Agar citra ini dapat diproses di komputer, proses konversi analog ke digital harus dilakukan terlebih dahulu (Sutoyo, 2009).

2.1.2 Citra Digital

Citra digital adalah citra yang bersifat diskrit yang dapat diolah oleh komputer yang merupakan suatu array dari bilangan yang merepresentasikan intensitas terang pada point yang bervariasi (pixel). Citra ini dapat dihasilkan melalui kamera digital dan scanner ataupun citra yang telah mengalami proses digitalisasi. Citra digital disimpan juga secara khusus di dalam file 24 bit atau 8 bit. Citra 24 bit menyediakan lebih banyak ruang untuk menyembunyikan informasi (Sutoyo, 2009).

2.1.3 Jenis - Jenis Citra Digital

Berdasarkan warna – warna penyusunannyan, citra digital dapat dibagi menjadi tiga macam (Wildan, 2010) yaitu:

1. Citra Biner

Citra biner adalah citra yang hanya memiliki 2 warna, yaitu hitam dan putih. Oleh karena itu, setiap pixel pada citra biner cukup direpresentasikan dengan 1 bit.

(a) (b) Gambar 2.1 (a) Citra biner; (b) Representasi citra biner

Alasan penggunaan citra biner adalah karena citra biner memiliki sejumlah keuntungan sebagai berikut:

a. Kebutuhan memori kecil karena nilai derajat keabuan hanya membutuhkan representasi 1 bit.

b. Waktu pemrosesan lebih cepat di bandingkan dengan citra hitam – putih ataupun warna.

2. Citra Grayscale

Citra grayscale adalah citra yang nilai pixel-nya merepresentasikan derajat keabuan atau intensitas warna putih. Nilai intensitas paling rendah merepresentasikan warna hitam dan nilai intensitas paling tinggi merepresentasikan warna putih. Pada umumnya citra grayscale memiliki kedalaman pixel 8 bit (256 derajat keabuan), tetapi ada juga citra grayscale yang kedalaman pixel-nya bukan 8 bit, misalnya 16 bit untuk penggunaan yang memerlukan ketelitian tinggi. Gambar 2.1 (a) adalah contoh citra grayscale.

3. Citra Warna

Citra warna adalah citra yang nilai pixel-nya merepresentasikan warna tertentu. Setiap pixel pada citra warna memiliki warna yang merupakan kombinasi dari tiga warna dasar RGB (red, green, blue). Setiap warna dasar menggunakan penyimpanan 8 bit = 1 byte, yang berarti setiap warna mempunyai gradasi sebanyak 255 warna. Berarti setiap pixel mempunyai kombinasi warna sebanyak 28.28.28 = 224 = 16 juta warna lebih. Itulah yang menjadikan alasan format ini disebut dengan true color karena mempunyai jumlah warna yang cukup besar sehingga bisa dikatakan hampir mencakup semua warna di alam. Gambar 2.2 (b) adalah contoh citra warna.

(a) (b)

2.2 Pengolahan Citra

Meskipun citra kaya informasi, namun sringkali citra yang kita miliki mengalami penurunan mutu (degradasi), misalnya mengalami cacat atau derau (noise), warna terlalu kontras, kurang tajam, kabur (Blurring), dan sebagainya. Tentu saja citra semacam ini menjadi lebih sulit diinterpretasi karena informasi yang disampaikan oleh citra tersebut menjadi kurang. Agar citra yang mengalami gangguan muda diinterpretasi baik oleh manusia maupun mesin, maka citra tersebut perlu dimanipulasi menjadi citra lain yang kualitasnya lebih baik. Bidang studi yang menyangkut hal ini adalah pengolahan citra (Image processing). Pengolahan citra adalah proses citra, khususnya dengan menggunakan komputer, menjadi citra yang kualitasnya lebih baik. (Munir, 2004).

2.3 Deteksi Tepi

Secara umum tepi dapat didefinisikan sebagai batas antara dua region (dua piksel yang saling berdekatan) yang memiliki perbedaan yang tajam atau tinggi. (Febriani, 2008). Tepi dapat diorientasikan dengan suatu arah, dan arah ini berbeda-beda, tergantung dari perubahan intensitas.

Deteksi Tepi adalah proses untuk menemukan perubahan intensitas yang berbeda nyata dalam sebuah bidang citra. Sebuah operator deteksi tepi merupakan operasi bertanngga, yaitu sebuah operasi yang memodifikasi nilai keabuan sebua titik yang ada di sekitarnya (tetangganya) yang masing-masing mempunyai bobot tersendiri. (Sutoyo, 2009)

Deteksi tepi merupakan langkah pertama untuk melingkupi informasi didalam citra. Tepi mencirikan batas-batas objek dan karena itu tepi berguna untuk proses segmentasi dan identifikasi objek di dalam citra. Deteksi tepi pada suatu citra memiliki tujuan sebgai berikut (Sigit,2005):

1. Menandai bagian yang menjadi detail citra

2.3.1 Metode Deteksi Tepi 2.3.1.1Metode Sobel

Metode deteksi tepi Sobel menggunakkan dua buah kernel yang berukuran 3x3 piksel untuk perhitungan Gradien sehingga perkiraan gradien berada tepat di tengah jendela.(Sutoyo dkk, 2009).

Besaran gradien yang dihitung menggunakan operator sobel adalah sebagai berikut.

� =��_�2 ₊� �2 dengan. G = besaran Gradien Operator

�� = gradien Sobel arah horizontal

�� = gradien Sobel arah vertikal

Dimana G merupakan besaran gradien di titik tengah kernel dan persamaan parsial dihitung menggunakan persamaan berikut.

�� = (�2+��3+�4)−(�0+��7+�6)

�� = (�0+��1+�2)−(�6+��5+�4)

Di mana c adalah konstanta yang bernilai 2. �_� dan �_� diimplementasikan menjadi

�� = �� =

2.3.1.2Metode Roberts

Metode deteksi tepi Roberts adalah deteksi tepi yang berbasis gradien yang menggunakkan duah buah kernel yang berukuran 2x2 piksel. Deteksi tepi ini mengambil arah diagonal untuk penentuan arah dalam penghitungan nilai gradien, sehingga sering disebut operator silang. (Sutoyo dkk, 2009).

Perhitungan gradien dalam deteksi tepi Roberts adalah sebagi berikut.

� = ��_�2_+� �2

Dengan G = besaran gradien deteksi tepi Roberts

��= gradien Roberts arah horizontal

��= gradien Roberts arah vertikal -1 0 1

-2 0 2 -1 0 1

1 2 1 0 0 0 -1 -2 -1

��= ��=

Sebenarnya, metode Roberts dalam mendeteksi tepi menghasilkan citra yang kurang memuaskan. Mungkin dikarenakan kernel yang digunakan berukuran 2x2 piksel dan penghitungan gradien hanya mengambil arah diagonal.

2.3.1.3Metode Prewitt

Metode ini menggunakan persamaan yang sama dengan operator Sobel, hanya saja konstanta c yang digunakan bernilai 1 sehingga bentuk kernel dari metode Prewitt adalah. (Sutoyo dkk, 2009)

��= ��=

Berbeda dengan Sobel, metode Prewitt tidak menekankna pembonotan pada piksel-piksel yang lebih dekat dengan titik pusat kernel.

2.4 Penipisan Citra (Image Thinning)

Operasi penipisan citra (image thinning) bertujuan untuk menguruskan objek dalam citra. Thinning dari himpunan A dengan elemen penstruktur B didefinisikan sebagai berikut. (Sutoyo dkk, 2009).

� ⊗ � =� −(� ∗ �) =�⋂(� ∗ �)�

Proses penipisan digunakan untuk mengekstraksi ciri daun suatu objek dengan mengambil rangka setebal satu piksel dari citra, dengan membuang titik-titik atau lapisan terluar dari citra sampai semua garis atau kurva hanya setebal satu piksel.

2.5 Pengenalan Pola (pettern recognition)

Pengenalan Pola merupakan proses pengenalan suatu objek dengan menggunakan berbagai metode. Teknik penocokan pola adalah salah satu teknik dalam pengolahan citra digital yang berfungsi untuk tiap-tiap bagian dengan citra yang menjadi acuan (template).

1 0

0 -1

0 1

-1 0

-1 0 1 -1 0 1 -1 0 1

1 1 1

0 0 0

Metode pencocokan pola adalah salah satu teknik metode terapan dari teknik konvolusi. Teknik konvolusi dalam penelitian ini dilakukan dengan mengkombinasikan citra daun masukkan dengan citra daun acuan, sehingga akan didapatkan nilai koefesien korelasi yang besarnya antara -1 dan +1. Saat koefesien korelasi mendekati +1, bisa dikatakan citra masukkan semakin sama (mirip) dengan acuannya. Rumus yang digunakan adalah:

�= ∑ ∑ ���� − �̅�(��� − ��) �−1

�=0 �−1 �=0

�∑ ∑�−1(�_�� − �̅)2∙

�=0 ∑��−=01∑��−=01(��� − ��)2 �−1

�=0

Keterangan:

r : Koefesien Korelasi x : Citra acuan (template)

�̅ : Nilai rata-rata citra acuan

�� : Nilai rata-rata citra masukkan y : Citra masukkan

M,N : Jumlah citra piksel citra

2.6 Tumbuhan Karet

Tumbuhan Karet (Hevea brasiliensis Muel.-Arg) berasal dari Brazilia, Amerika Selatan, mulai dibudidayakan di Sumatera Utara pada tahun 1903 dan di Jawa pada tahun 1906. Tanaman ini berasal dari sedikit semai yang dikirim dari Inggris ke Bogor pada tahun 1876, sedangkan semai-semai tersebut berasal dari biji karet yang dikumpulkan oleh H. A. Wickman, kewarganegaraan Inggris, dari wilayah antara Sungai Tapajoz dan Sungai Medeira di tengah Lembah Amazon. (Semangun, 2000).

Saat ini tumbuhan karet telah banyak di tanam untuk diambil getahnya. Getah tunaman karet atau biasa disebut lateks banyak digunakan untuk untuk di proses menadi berbagai macam benda. Selain getah, tentunya batang tanaman karet juga dapat di manfaatkan untuk diolah menjadi berbagai benda yang tentunya bermanfaat, salah satunya dapat dibuat menjadi pintu rumah, jendela, dan lain sebagainya.

Hasil dari tumbuhan karet banyak pergunakan untuk berbagai kebutuhan manusia, diantaranya adalah ban kendaraan. Hal inilah yang menjadi faktor pendukung dilakukan penanaman tanaman karet dalam jumlah yang banyak.

Seiring dengan perkembangan teknologi, saat ini telah banyak dikembangkan berbagi jenis (klon) tanaman karet. Namun, dari berbagai jenis (klon) yang telah ditemukan tentu tidak semua mampu memproduksi getah yang maksimal. Hal inilah yang menjadi faktor pendukung dikembangkannya penelitain pada tanaman karet. Penelitian banyak dilakukan pada upayah meningkatkan produksi getah secara maksimal.

Berdasarkan data dari Balai penelitian Sungei Putih Pusat Penelitian Karet, saat ini terdapat 14 jenis (klon) yang menjadi anjuran untuk medapatkan produksi getah maksimal. Jenis (klon) tanaman karet yang menjadi anjuran tentunya memiliki sepsifikasi yang berfariasi baik itu jumlah produksi getah maupun ukuran batang. Hal ini dipengaruhi oleh berbagai faktor, salah satu diantaranya adalah ketinggian dataran tempan penanaman dari permukaan laut. Jenis (klon) tanam karet yang menjadi anjuran beserta potensi produksi dari setiap jenis (klon) dapat di lihat pada Tabel 2.1.

Tabel 2.1 Jenis (klon) Tanaman Karet Anjuran

No

Jenis (klon)

Produksi Komulatif (kg/ha) _Rataan

(kg/ha/th) 5 th 10 th 15 th

Klon penghasil getah (lateks)

1 IRR 104 9938 21860 41240 2083

2 IRR 112 10973 21770 32242 2149

3 IRR 118 9856 19985 30860 2057

4 IRR 220 10511 20086 32865 2191

6 PB 260 9989 21996 30946 2063

7 PB 330 9699 19306 29180 1945

8 PB 340 10900 19220 30074 2005

Klon penghasil getah (lateks) dan kayu

9 IRR 5 8046 18370 30986 2066

10 IRR 39 7273 15485 28862 1924

11 IRR 42 8488 15924 29700 1980

12 IRR 107 9080 17370 31422 2095

13 IRR 119 8350 16870 30085 2006

14 RRIC 100 6690 21010 29963 1998

Dari Tabel 2.1 terlihat bahwa jenis (klon) unggul tanaman karet dapat di kelompokkan menjadi 2 bagian, yaitu jenis (klon) yang hanya menghasilkan getah (lateks) dan jenis (klon) yang menghasilkan geta (lateks) beserta kayu.

2.7 Daun

Daun adalah organ-organ khusus yang mempunyai fungsi sebagai tempat proses fotosintesis, dalam pengertian ini dapat disebutkan bahwa daun merupakan bagian tanaman yangmempunyai fungsi sangat penting. Karena semua fungsi yang lain sangat tergantung pada daun secara langsung ataupun tidak langsung. (Heddy, 1987).

Daun adalah organ fotosintesis utama bagi tumbuhan, meskipun batang yang berwarna hijau juga melakukan fotosintesis. Bentuk daun sangat bervariasi, namun pada umumnya terdiri dari suatu helai daun (blade) dan tangkai daun.

Pada tanaman karet, sekilas terlihat bahwa daun tanaman karet tidak memiliki perbedaan. Akan tetapi, bilah dilihat lebih seksama maka akan kita temui

beberapa perbedaan bentuk tepi pada daun karet. Hal inilah yang mendorong penulis untuk melakukan penelitian ini.

(a) (b)

Gambar 2.2 (a) gambar jenis (klon) IRR 105. (b) gambar jenis (klon) PB 340

Pada Gambar 2,2 terlihat pada helai daun kedua (tengah) antara jenis (klon) IRR 115 dengan jenis (klon) PB 340 memiliki sedikit perbedaan, yaitu dari bentuk tepi daun jenis (klon) IRR 105 lebih melengkung dibanding dengan jenis (klon) Pb 340 dan juga jenis (klon) IRR 105 memiliki sisi yang lebih tajam pada ujung daun dibandingkan dengan jenis (klon) PB 340.

BAB 3

PERANCANGAN PROGRAM

Secara garis besar, penelitian ini dapat dibagi menjadi dua proses, yakni proses pengolahan citra acuan (template) dan proses identifikasi citra masukkan. Dimana kedua proses dilakukan secara bersamaan ketika pengguna menjalankan aplikasi ini.

Tidak

Ya

Gambar 3.1 flowchart pengolahan citra acuan

Mulai

Masukkan citra acuan (template)

Citra aras keabuan

Pengubahan Ukuran Citra

Pelembutan Citra

Deteksi Tepi Sobel

Penipisan Pola

Citra Cukup Baik?

Simpan Citra Acuan (template)

Selesai

Tidak

Ya

Gambar 3.2 flowchart proses identifikasi citra masukkan

3.1 Peningkatan Mutu Citra

Dalam pengambilan citra daun tanaman karet, sering kali terdapat derau (gangguan) yang sering disebabkan oleh berbagai faktor dalam proses pemotretan

Mulai

Masukkan citra yang di uji

Citra aras keabuan

Pengubahan Ukuran Citra

Pelembutan Citra

Deteksi Tepi Sobel

Penipisan Pola

Citra Cukup Baik?

Cocokkan Citra Acuan di dalam Basis data

Koefesien Korelasi

Selesai

citra daun tanaman karet yang akan di proses dalam sistem. Tentunya hal ini akan sangat mengganggu dan berpengaruh besar terhadap proses yang dilakukan oleh sistem.

Peningkatan mutu citra dilakukan salah satunya untuk menghilangkan atau mennghapus derau sehingga citra yang diproses terbebas dari derau (gangguan). Hal ini sangat penting dilakukan agar citra yang di proses menghasilkan hasil yang lebih baik dan akurat.

Selain untuk menghilangkan derau (gangguan) tentunya peningkatan mutu citra dilakukan untuk mendapatkan citra gambar yang lebih baik untuk di proses di dalam sistem

3.1.1 Konversi Citra Aras Keabuan

Citra yang di baca atau yang di proses adalah citra yang masih dalam bentuk citra warna (RGB) sehingga perlu diubah ke dalam citra aras keabuan (grayscale). Konversi citra menjadi citra aras keabuan diperlukan untuk mengefisienkan waktu yang diperlukan sistem dalam identifikasi.

Pengubahan citra asli (citra warna) menjadi citra aras keabuan (grayscale) menggunakan printah:

b=rgb2gray;

3.1.2 Pengubahan Ukuran Citra

Pengubahan ukuran citra merupakan proses yang harus dilakukan agar proses yang dilakukan mendapatkan tingkat akurasi yang lebih baik, sehingga citra yang diproses memiliki kesamaan ukuran dengan citra yang akan di lakukan pengujian. Hal ini sangat penting dilakukan untuk mendapatkan tingkat kemiripan yang lebih baik.

Pengubahan ukuran citra menggunakan perintah imresize, yaitu: ukuran = imresize(b,[256 256])

3.1.3 Pelembutan Citra

Pelembutan citra dilakukan untuk mendapatkan citra daun tanaman karet yang lebih baik dalam proses identifikasi tepi dari citra daun yang di proses.

Pelembutan citra meliputi pengaturan intensitas citra dan penipisan citra. Penipisan menggunakan metode penispisan median dan penipisan wiener. Perintah untuk proses pelembutan citra adalah:

median=medfilt2(u,[3 3]); wiener=wiener2(median,[5 5]);

3.1.4 Pengembangan (thresholding)

Pengembangan dilakukan untuk mendapatkan gambar tepi daun yang lebih baik, sehingga tepi gambar yang diproses memiliki tepi daun yang lebih tegas dan tidak terputus. Printah untuk operasi pengembangan adalah sebagai berikut

[m n]=size(u); for i=1:m, for j=1:n,

if(u(i,j)<128) biner(i,j)=0; else

biner(i,j)=255; end

end end

3.2 Deteksi Tepi

Deteksi tepi dilakukan untuk mendapatkan tepi gambar yang diinginkan, sehingga dapat digunakan dalam proses selanjutnya. Dalam penilitian ini digunakan deteksi tepi metode Sobel. Metode Sobel di pilih karena memiliki tingkat akurasi yang cukup tinggi untuk mendeteksi tepi daun bila dibandingkan dengan metode lainnya.

Deteksi tepi merupakan proses yang utama dalam penelitian ini. Hal ini dikarenakan hasil yang di peroleh dari deteksi tepi ini akan digunakan dalam proses pengenalan pola untuk mendapatkan tingkat kemiripan citra daun.

Selain itu, dalam penelitian ini bagian utama dari citra daun yang di proses untuk pengenalan pola pada tepi dari citra daun tanaman karet tersebut.

Perintah yang digunakan untuk mendeteksi tepi dengan metode Sobel yaitu:

edge_sobel = edge(biner,'sobel');

3.3 Pengenalan Pola

Pengenalan pola dilakukan untuk menentukan tingkat kemiripan antara gambar yang menjadi acuan (template) dengan gambar yang akan di uji. Dalam proses pencocokan pola ini juga dilakukan proses penghitungan nilai koefesien korelasi dari nilai-nilai piksel antara gambar acuan dalam basis data.

Dalam penelitian ini, pengenalan pola hanya digunakan sebagai bagian pendukung untuk membandingkan citra daun yang menjadi acuan (template) yang ada didalam basis data dengan citra masukkan yang akan di uji oleh sistem

Proses pengenalan pola yang dilakukan adalah untuk jenis tepi daun. Proses ini dilakukan agar gambar yang di proses memiliki tingkat akurasi yang lebih baik.

r=0;

for i=1:3

bwh=(256*(i-1))+1; atas=256*i;

temp_juga=temp(bwh:atas,:); y=corr2(citra,temp_juga); if(y>r)

r=y; end

BAB 4

HASIL PENGUJIAN DAN PEMBAHASAN

Pada bab ini akan diperlihatkan hasil dan pembahasan dari penelitian yang diperoleh berdasarkan penjelasan – penjelasan yang telah dipaparkan pada bab – bab sebelumnya. Hasil dan pembahasan dari penelitian ini adalah mengenai implementasi Identifikasi Bibit Unggul Daun Tanaman Karet Melalui Deteksi Tepi Menggunakan Metode Sobel

4.1 Kebutuhan Perangkat Lunak dan Perangkat Keras

Penelitian ini menggunakan perangkat lunak berupa: 1. Sistem Operasi Windows 7

2. MATLAB R2009a

Spesifikasi perangkat keras yang digunakan berupa: 1. Processor Intel core i3 1.40 GHz

2. RAM 4 GB 3. Harddisk 500 GB 4. Monitor 11.0 inch

4.2 Hasil Pengujian

Pada pengujian dengan sistem ini secara keseluruhan penulis hanya membuat 1 buah halaman antarmuka, Dimana dalam satu halaman tersebut telah menjalankan keseluruhan dari proses identifikasi.

Pada bagian ini, penulis akan menjelaskan dari setiap bagian yang dilakukan dalam proses pengujian identifikasi

4.2.1 Konversi Citra Aras Keabuan

Pengubahan citra warna menjadi citra aras keabuan dilakukan untuk mempermudah dalam proses yang dilakukan. Dalam proses ini, citra warna diubah menjadi citra aras keabuan dengan menyediakan sebanyak 8 bit, sehingga keseluruhan warna dari citra asli dapat di gradasi lebih halus lagi. Dengan di sediakannya 8 bit dalam memori, maka jumlah warna dalam aras keabuan sebanyak 256 warna.

(a) (b)

Gambar 4.1 Citra warna (a) dan citra aras keabuan (b)

Dari Gambar 4.1 dapat dilihat bahwa gambar yang dihasilkan memiliki gradasi warna yang lebih halus dari citra RGB (Red, Green, Blue) menjadi citra aras keabuan (grayscale). Hal ini diperlukan untuk mempermudah dalam proses yang selanjutnya akan dilakukan.

4.2.2 Pengembangan (thresholding)

Dalam proses ini citra yang telah diubah ke dalam citra aras keabuan (grayscale) akan diubah kedalam bentuk citra biner untuk mempermudah dalam proses akan dilakukan. Citra biner tersebut akan membutuhkan 1 bit memori untuk menyimpan warna yang di hasilkan. Banyaknya gradasi warna yang di hasilkan ada sebanyak 2 warna yaitu warna hitam yang bernilai 0 dan warna putih yang bernilai 1.

Gambar 4.2 Citra aras keabuan (a) dan citra biner (b)

Dari gambar 4.2 sudah jelas terlihat bahwa nilai dari setiap piksel dari citra aras keabuan (grayscale) di konversi ke dalam citra biner yang bernilai 0 dan 1.

4.2.3 Deteksi Tepi Citra

Deteksi tepi sangat diperlukan dalam proses identifikasi, hal ini dikarenakan hasil dari proses deteksi tepi ini yang selanjutnya akan digunakan dalam proses pencocokan pola untuk menentukan tingkat kemiripan dari citra acuan (template) dengan citra yang akan di uji. Metode deteksi tepi yang dipergunakan adalah metode Sobel, dimana metode Sobel melakukan pembobotan pada piksel-piksel tetangga yang lebih dekat dengan titik pusat kernel. Oleh karena itu, pengaruh piksel-piksel tetangga akan berbeda sesuai dengan letaknya terhadap titik dimana gradien dihitung. Dalam melakukan perhitungan gradien, metode ini merupakan gabungan dari posisi mendatar dan vertikal

Gambar 4.3 Hasil proses deteksi tepi citra metode Sobel Dari gambar 4.3 tampak bahwa gambar yang dihasilkan dari deteksi tepi metode Sobel memiliki tepi yang baik. Hal ini sangat penting dalam proses pencocokan pola, dimana nilai-nilai dari setiap piksel citra acuan (template) akan dicocokkan dengan nilai dari setiap piksel citra yang akan di uji.

4.2.4 Identifikasi Citra

Proses identifikasi ini penulis menggunakan 1 buah halaman antarmuka utama yang dapat menjalankan keseluruhan proses identifikasi. Bentuk halaman antar muka utama dapat dilihat pada Gambar 4.4.

Gambar 4.4 Halaman Utama

Dari Gambar 4.4 dapat di lihat bahwa dalam halaman utama terdapat dua buah kolom yang akan berisi hasil dari proses identifikasi dan juga tiga buah tombol. Tombol tersebut yaitu tombol masukkan gambar, tombol proses dan tombol keluar.Tombol masukkan gambar berfungsi untuk memasukkan gambar yang akan di uji, tombol proses berfungsi untuk melakukan proses identifikasi dan tombol keluar untuk keluar dari program. Kolom tingkat kemiripin akan menampilkan hasil dari tingkat kemiripan dalam bentuk persen (%), pada kolom daun yang sesuai akan menampilkan hasil dari daun yang paling tinggi tingkat kemiripannya dengan daun yang di uji.

Dalam proses identifikasi, akan muncul tingkat kemiripan dan juga nomor urut dari citra acuan (template). Urutan dan jenis (klon) dari daun tanaman karet tersebut dapat dilihat pada Tabel 4.1.

Tabel 4.1 Tabel jenis (klon) acuan

No Nomor Citra Acuan (Template)

Jeni (Klon) Daun Tanaman Karet

2 2 IRR 5

3 3 IRR 39

4 4 IRR 42

5 5 IRR 104

6 6 IRR 107/230

7 7 IRR 112

8 8 IRR 118

9 9 IRR 119

10 10 IRR 220

11 11 PB 260

12 12 PB 330

13 13 PB 340

14 14 RRIC 100

Untuk menjalankan program ini pertama kita memasukkan gambar yang akan di uji dengan menekan tombol Masukkan gambar, maka akan muncul pop-up window untuk mengakses citra uji yang telah di simpan.

Gambar 4.5 pop-up window ambil gambar

Setelah gambar di pilih, lalu tekan tombol proses. Maka akan muncul hasil dari proses identifikasi yang berupa tingkat kemiripan dan jenis daun yang sesuai, seperti pada Gambar 4.6.

4.2.5 Hasil Identifikasi

Seelah dilakukan pengujian citra daun tanaman karet unggul yang dikategorikan dengan citra daun tanaman karet yang juga dikategorikan unggul, maka diperoleh rentang (interval) tingkat kemiripan daun tanaman karet. Hasil identifikasi deteksi tepi daun tanaman karet dapat ditunjukkan pada Tabel 4.2

Tabel 4.2. Tabel Pengujian

No Jenis Daun Uji Coba Tingkat Kemiripan

1 BPM 24

BPM 24 (1) 82.4813%

BPM 24 (2) 75.8558%

BPM 24 (3) 90.4193%

BPM 24 (4) 90.8071%

BPM 24 (5) 69.161%

2 IRR 5

IRR 5 (1) 84.7478%

IRR 5 (2) 80.0007%

IRR 5 (3) 90.185%

IRR 5 (4) 90.274%

IRR 5 (5) 75.5037%

3 IRR 39

IRR 39 (1) 80.885%

IRR 39 (2) 72.9746%

IRR 39 (3) 89.2294%

IRR 39 (4) 89.7926%

IRR 39 (5) 67.6535%

4 IRR 42

IRR 42 (1) 87.7399%

IRR 42 (2) 83.3956%

IRR 42 (4) 91.1644%

IRR 42 (5) 91.2476%

5 IRR 104

IRR 104 (1) 87.9781%

IRR 104 (2) 82.2882%

IRR 104 (3) 88.7573%

IRR 104 (4) 84.8201%

IRR 104 (5) 84.8663%

6 IRR 107

IRR 107 (1) 90.3701%

IRR 107 (2) 91.2816%

IRR 107 (3) 89.7454%

IRR 107 (4) 88.6637%

IRR 107 (5) 74.346%

7 IRR 112

IRR 112 (1) 80.5591%

IRR 112 (2) 73.8355%

IRR 112 (3) 88.0452%

IRR 112 (4) 83.8447%

IRR 112 (5) 84.3466%

8 IRR 118

IRR 118 (1) 77.1785%

IRR 118 (2) 68.9941%

IRR 118 (3) 83.6589%

IRR 118 (4) 79.8721%

IRR 118 (5) 80.2481%

9 IRR 119

IRR 119 (1) 79.6278

IRR 119 (2) 74.204%

IRR 119 (4) 84.5176%

IRR 119 (5) 84.4044%

10 IRR 220

IRR 220 (1) 76.4509%

IRR 220 (2) 68.6003%

IRR 220 (3) 86.7628%

IRR 220 (4) 80.4982%

IRR 220 (5) 81.0866%

11 PB 260

PB 260 (1) 90.8361%

PB 260 (2) 87.8593%

PB 260 (3) 91.5323%

PB 260 (4) 91.1557%

PB 260 (5) 91.7967%

12 PB 330

PB 330 (1) 83.3102%

PB 330 (2) 77.5523%

PB 330 (3) 90.7178%

PB 330 (4) 83.9011%

PB 330 (5) 86.8525%

13 PB 340

PB 340 (1) 75.7206%

PB 340 (2) 65.4765%

PB 340 (3) 87.3804%

PB 340 (5) 81.2445%

14 RRIC 100

RRIC 100 (1) 78.5532%

RRIC 100 (2) 90.2662%

RRIC 100 (3) 90.0546%

RRIC 100 (4) 91.3244%

RRIC 100 (5) 88.9027%

Dari Tabel 4.2, dapat diambil rentang (interval) dari setiap jenis (klon) daun tanaman karet. Rentang (interval) tingkat kemiripan daun tanaman karet berdasarkan pengujian dapat ditunjukkan pada Tabel 4.3

Tabel 4.3 Tabel Tingkat Kemiripan

No Jenis (klon) Rentang (interval)

1 BPM 24 69.161% - 90.8071%

2 IRR 5 75.5037% - 90.274%

3 IRR 39 67.6535% - 89.7926

4 IRR 42 _{83.3956% - 91.2476%}

5 IRR 104 _{82.2882% - 88.7573%}

6 IRR 107 74.346% - 91.2816%

7 IRR 112 73.8355% - 88.0452%

8 IRR 118 68.9941% - 83.6589%

9 IRR 119 74.204% - 88.3568%

11 PB 260 87.8593% - 91.7967%

12 PB 330 77.5523% - 90.7178%

13 PB 340 65.4765% - 91.1939%

14 RRIC 100 78.5532% - 91.3244%

Setelah dilakukan pengujian identifikasi, maka diperoleh rentang (interval) tingkat kemiripan dari setiap jenis (klon) daun tanaman karet. Dari Tabel 4.3, diperoleh interval tingkat kemiripan daun tanaman karet. Hal ini juga bisa dinyatakan bahwa bila uji coba dilakukan bila tidak ada sampel citra uji yang mencapai tingkat kemiripan terendah sebesar 65.4765%, tidak dapat dikategorikan sebagai bibit unggul tanaman karet. Karena tingkat kemiripan terendah dari hasil percobaan adalah sebesar 65.4765% dan tingkat kemiripan tertinggi sebesar 91.7967%

4.3 Pembahasan

Berdasarkan pengujian yang telah dilakukan, ada beberapa kondisi yang dapat mempengaruhi kerja dari sistem. Beberapa kondisi tersebut yaitu sebagai berikut: 1. Adanya kerusakan pada objek daun.

Kerusakan pada daun dapat berpengaruh besar pada proses identifikasi. Biasanya kerusakan-kerusakan kecil yang sekilas tidak terlihat dapat berpengaruh besar pada tingkat kemiripannya. Oleh karena itu, objek daun yang diproses harus dalam kondisi yang sehat tanpa kerusakan

2. Adanya kemiripan tepi daun.

Citra daun tanaman karet yang diproses sekilas akan terlihat sangat mirip bentuk tepi daunnya. Akan tetapi bila di lihat lebih seksama akan terlihat perbedaan bentuk tepi daun tanaman karet tersebut.

3. Proses pengambilan gambar.

Citra daun yang diperoleh tentu sangat dipengaruhi oleh proses pengambilannya, dimana sudut pemotretan dan juga pencahayan akan mempengaruhi terbentuknya bayangan di belakang objek. Bayangan yang

terbentuk akan mempengaruhi bentuk tepi dari citra yang diproses. Sudut pemotretan akan bepengaruh pada hasil citra yang akan di proses.

4. Ciri-ciri bagian atas daun

Dalam penelitian ini digunakan ciri tepi daun. Padahal ada beberapa ciri lainnya yang masih dapat digunakan untuk mengidentifikasi jenis daun tanaman karet. Misalnya ukuran, warna, bentuk tulang daun, dan sebagainya.

BAB 5

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Berdasarkan pengujian yang dilakukan dan hasil analisis, maka dapat diambil kesimpulan sebagai berikut:

1. Pada pengujian tepi daun tingkat kemiripan tertinggi adalah jenis (klon) PB 260 dengan tingkat kimiripan sebesar 91,79% dan tingkat kemiripan terkecil adalah jenis (klon) PB 340 dengan tingkat kemiripan sebesar 65,47%

2. Kesalahan identifikasi bisa disebabkan oleh adanya kerusakan pada daun yang diproses di dalam sistem, sehingga menyebabkan penurunan tingkat kemiripan dari citra daun acuan (template) dengan citra daun yang akan di uji. 3. Bentuk tepi daun tanaman karet yang sekilas terlihat sangat mirip, akan tetapi bila dilihat lebih seksama akan terlihat perbedaanya yaitu pada bentuk ujung daun dan pada bentuk kelengkungan daun itu sendiri.

5.2 Saran

Dari penelitian yang telah dilakukan ini, masih kekurangan yang dapat diperbaiki untuk pengembangan berikutnya. Bebrapa saran yang dapat diberikan adalah:

1. Kesalahan dalam proses identifikasi bisa terjadi karena daun yang diproses tidak merupakan daun dewasa, sehingga dapat mempengaruhi hasil yang akan di proses.

2. Perlunya dilakukan penelitian lanjutan dengan mengambil ciri lain selain tepi daun, misalnya ukuran, warna, bentuk tulang daun, dan sebagainya.

3. Perlunya dikembangkan penelitian dengan metode lain, misalnya menggunakan jaringan saraf tiruan dan lainnya.

4. Penelitian ini dapat dikembangkan untuk pengembangan yang lebih baik lagi dengan metode deteksi tepi yang lainnya.

5. Perniliti berharap agar penelitian ini dapat dikembangkan untuk mempermudah masyarakat terutama petani karet untuk mengetahui jenis bibit unggul tanaman karet.

DAFTAR PUSTAKA

Bergounioux Maitine, 2010, Mathematical Image Processing, Springer, France.

Daslin Aidi. et al, 2009, Bahan Tanaman Klon Karet Unggul, Balai Penelitian Karet Sungei Putih Pusat Penelitin Karet, Sungei Putih.

Marvin W. Et al, 2007, Pengolahan Citra Digital Dengan Menggunakan Matlab, Informatika, Bandung

Munir, R., 2004, Pengolahan Citra Digital Menggunakan Pendekatan Algoritmik, Informatika, Bandung

Prasetyo Eko, 2014, Data Mining Mengolah Data Menjadi Informasi Menggunakan MATLAB, Andi, Yogyakarta.

Russ C. John, 2011, The Image Processing Handbook Sixt Edition, CRC Press, North Carolina.

Sianipar R.H, 2013, Pemrograman Matlab Dalam Contoh dan Penerapan, Informatika, Bandung.

Siregar Tumpal H.S. et al, 2013, Budi Daya dan Teknologi Karet, Penebar Swadaya, Jakarta

Sujatno. et al, 2007, Pengenalan dan Pegendalian Penyakit padaTanaman Karet, Balai Penelitian Karet Sungei Putih Pusat Penelitin Karet, Sungei Putih.

Lampiran 1. Fungsi Utama

function varargout = utama(varargin) gui_Singleton = 1;

gui_Singleton = 1;

gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @utama_OpeningFcn, ... 'gui_OutputFcn', @utama_OutputFcn, ... 'gui_LayoutFcn', [] , ...

'gui_Callback', []); if nargin && ischar(varargin{1})

gui_State.gui_Callback = str2func(varargin{1}); end

if nargout

[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});

else

gui_mainfcn(gui_State, varargin{:}); end

function utama_OpeningFcn(hObject, eventdata, handles, varargin)

handles.output = hObject; guidata(hObject, handles);

function varargout = utama_OutputFcn(hObject, eventdata, handles)

function pushbutton1_Callback(hObject, eventdata, handles) axes(handles.axes1);

clear gca;

[FileName, PathName, FilterIndex] = uigetfile('*.JPG','Pilih Citra','*JPG');

handles.NamaFile=FileName; handles.PathName=PathName; guidata(hObject,handles);

if isequal(FileName,0)

disp('User selected Cancel') else

axes(handles.axes1); clear gca;

set(gca,'ytick',[]); set(gca,'xtick',[]);

axes(handles.axes1);

handles.Citra.RGB=imread([PathName FileName]); image(handles.Citra.RGB),

set(gca,'ytick',[]); set(gca,'xtick',[]);

guidata(hObject, handles); imshow(handles.Citra.RGB); end

function pushbutton3_Callback(hObject, eventdata, handles) gambar1 = handles.Citra.RGB;

temp1=imread('BPM24_template.jpg'); temp2=imread('IRR5_template.jpg');

temp3=imread('IRR39_template.jpg'); temp4=imread('IRR42_template.jpg'); temp5=imread('IRR104_template.jpg'); temp6=imread('IRR107_230_template.jpg'); temp7=imread('IRR112_template.jpg'); temp8=imread('IRR118_template.jpg'); temp9=imread('IRR119_template.jpg'); temp10=imread('IRR220_template.jpg'); temp11=imread('PB260_template.jpg'); temp12=imread('PB330_template.jpg'); temp13=imread('pb340_template.jpg'); temp14=imread('RRIC100_template.jpg'); citra=gambar1;

temp1=processing(temp1); temp2=processing(temp2); temp3=processing(temp3); temp4=processing(temp4); temp5=processing(temp5); temp6=processing(temp6); temp7=processing(temp7); temp8=processing(temp8); temp9=processing(temp9); temp10=processing(temp10); temp11=processing(temp11); temp12=processing(temp12); temp13=processing(temp13); temp14=processing(temp14); citra=processing(citra);

temp=[temp1;temp2;temp3;temp4;temp5;temp6;temp7;temp8;temp9; temp10;temp11;temp12;temp13;temp14];

n=14;%jumlah template

[kore t]=pencocokan_pola(citra,temp,n); k=kore*100;

fprintf('Nilai koefisien korelasi = %f\n',k);

fprintf('Gambar yang diuji paling cocok dengan template %d\n',t);

set(handles.hasil,'string',k) set(handles.kemiripan,'string',t)

function pushbutton4_Callback(hObject, eventdata, handles) close

function hasil_Callback(hObject, eventdata, handles)

function hasil_CreateFcn(hObject, eventdata, handles) if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))

set(hObject,'BackgroundColor','white'); end

Lampiran 2. Fungsi Identifikasi

function output = processing (input)

b=rgb2gray(input);%aras keabuan

u=imresize(b,[256 256]);%ukuran citra

%pelembutan citra

median=medfilt2(u,[3 3]); wiener=wiener2(median,[5 5]);

%Pengambangan (thresholding) [m n]=size(u);

for i=1:m, for j=1:n,

if(u(i,j)<128) biner(i,j)=0; else

biner(i,j)=255; end

end end

edge_sobel = edge(biner,'sobel');

output=bwmorph(edge_sobel,'skel',Inf);

Lampiran 3. Fungsi Pencocokan Pola

function [r t]=pencocokan_pola(citra,temp,n)

r=0;

for i=1:14

bwh=(256*(i-1))+1; atas=256*i;

temp_juga=temp(bwh:atas,:); y=corr2(citra,temp_juga); if(y>r)

t=i; r=y; end end return

Lampiran 1. Fungsi Utama

function varargout = utama(varargin) gui_Singleton = 1;

gui_Singleton = 1;

gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @utama_OpeningFcn, ... 'gui_OutputFcn', @utama_OutputFcn, ... 'gui_LayoutFcn', [] , ...

'gui_Callback', []); if nargin && ischar(varargin{1})

gui_State.gui_Callback = str2func(varargin{1}); end

if nargout

[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});

else

gui_mainfcn(gui_State, varargin{:}); end

function utama_OpeningFcn(hObject, eventdata, handles, varargin)

handles.output = hObject; guidata(hObject, handles);

function varargout = utama_OutputFcn(hObject, eventdata, handles)

function pushbutton1_Callback(hObject, eventdata, handles) axes(handles.axes1);

clear gca;

[FileName, PathName, FilterIndex] = uigetfile('*.JPG','Pilih Citra','*JPG');

handles.NamaFile=FileName; handles.PathName=PathName; guidata(hObject,handles);

if isequal(FileName,0)

disp('User selected Cancel') else

axes(handles.axes1); clear gca;

set(gca,'ytick',[]); set(gca,'xtick',[]);

axes(handles.axes1);

handles.Citra.RGB=imread([PathName FileName]); image(handles.Citra.RGB),

set(gca,'ytick',[]); set(gca,'xtick',[]);

guidata(hObject, handles); imshow(handles.Citra.RGB); end

function pushbutton3_Callback(hObject, eventdata, handles) gambar1 = handles.Citra.RGB;

temp1=imread('BPM24_template.jpg'); temp2=imread('IRR5_template.jpg');

temp3=imread('IRR39_template.jpg'); temp4=imread('IRR42_template.jpg'); temp5=imread('IRR104_template.jpg'); temp6=imread('IRR107_230_template.jpg'); temp7=imread('IRR112_template.jpg'); temp8=imread('IRR118_template.jpg'); temp9=imread('IRR119_template.jpg'); temp10=imread('IRR220_template.jpg'); temp11=imread('PB260_template.jpg'); temp12=imread('PB330_template.jpg'); temp13=imread('pb340_template.jpg'); temp14=imread('RRIC100_template.jpg'); citra=gambar1;

temp1=processing(temp1); temp2=processing(temp2); temp3=processing(temp3); temp4=processing(temp4); temp5=processing(temp5); temp6=processing(temp6); temp7=processing(temp7); temp8=processing(temp8); temp9=processing(temp9); temp10=processing(temp10); temp11=processing(temp11); temp12=processing(temp12); temp13=processing(temp13); temp14=processing(temp14); citra=processing(citra);

temp=[temp1;temp2;temp3;temp4;temp5;temp6;temp7;temp8;temp9; temp10;temp11;temp12;temp13;temp14];

n=14;%jumlah template

[kore t]=pencocokan_pola(citra,temp,n); k=kore*100;

fprintf('Nilai koefisien korelasi = %f\n',k);

fprintf('Gambar yang diuji paling cocok dengan template %d\n',t);

set(handles.hasil,'string',k) set(handles.kemiripan,'string',t)

function pushbutton4_Callback(hObject, eventdata, handles) close

function hasil_Callback(hObject, eventdata, handles)

function hasil_CreateFcn(hObject, eventdata, handles) if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))

set(hObject,'BackgroundColor','white'); end

Lampiran 2. Fungsi Identifikasi

function output = processing (input)

b=rgb2gray(input);%aras keabuan

u=imresize(b,[256 256]);%ukuran citra

%pelembutan citra

median=medfilt2(u,[3 3]); wiener=wiener2(median,[5 5]);

%Pengambangan (thresholding) [m n]=size(u);

for i=1:m, for j=1:n,

if(u(i,j)<128) biner(i,j)=0; else

biner(i,j)=255; end

end end

edge_sobel = edge(biner,'sobel');

output=bwmorph(edge_sobel,'skel',Inf);

Lampiran 3. Fungsi Pencocokan Pola

function [r t]=pencocokan_pola(citra,temp,n)

r=0;

for i=1:14

bwh=(256*(i-1))+1; atas=256*i;

temp_juga=temp(bwh:atas,:); y=corr2(citra,temp_juga); if(y>r)

t=i; r=y; end end return