Klasifikasi Fisik Inti Sawit Menggunakan Real Time Image Processing Dan K-Nearest Neighbourhood (Knn).

i

KLASIFIKASI FISIK INTI SAWIT MENGGUNAKAN
REAL TIME IMAGE PROCESSING DAN K-NEAREST
NEIGHBOURHOOD (KNN)

OKTA DANIK NUGRAHENI

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2016

i

i

PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa tesis berjudul Klasifikasi Fisik Inti
Sawit Menggunakan Real Time Image Processing dan K-Nearest Neighbourhood

(KNN) adalah benar karya saya dengan arahan dari komisi pembimbing dan belum
diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber
informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak
diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam
Daftar Pustaka di bagian akhir tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.

Bogor, September 2016
Okta Danik Nugraheni
NIM 151130041

i

ii

RINGKASAN
OKTA DANIK NUGRAHENI. Klasifikasi Fisik Inti Sawit Menggunakan Real
Time Image Processing dan K-Nearest Neighbourhood (KNN). Dibimbing oleh I
WAYAN ASTIKA dan I DEWA MADE SUBRATA.

Penentuan mutu inti sawit secara fisik hingga saat ini masih dilakukan
secara manual dengan memisahkan inti sawit menjadi 3 (tiga) bagian yaitu
kotoran, inti pecah dan inti utuh (DSN 1987). Penentuan mutu inti sawit secara
manual seringkali mengakibatkan terjadi konflik antar pembeli dan penjual
mengenai mutu inti sawit, kondisi ini tentunya akan merugikan kedua belah pihak.
Selain itu proses penentuan mutu secara manual memiliki kekurangan pada
rendahnya efisiensi, objektifitas, dan tingkat konsistensi, sehingga perlu dilakukan
pengembangan metode identifikasi mutu inti sawit yang baik dan akurat.
Beberapa peneliti telah mengembangkan metode pengolahan citra untuk
penentuan mutu objek yang berbentuk biji-bijian dengan akurasi yang cukup baik
berkisar antara 60-100% diantaranya penentuan mutu biji kopi (Sofi’i et al. 2005;
Soedibyo et al. 2009), biji pala (Dinar et al. 2012), biji kismis (Mollazade et al.
2012) dan biji ginko (Ahmad 2013). Beberapa peneliti juga telah berhasil
membangun sistem penentuan mutu bijian secara otomatis yang terdiri atas
mesin inspeksi otomatis berbasis pengolahan citra (Wan 2002; Soedibyo et al.
2010) meskipun sistem mesin tersebut masih membutuhkan investasi yang cukup
besar. Sebagian besar dari penelitian tersebut dikembangkan menggunakan
algoritma Artificial Neural Networks (ANN). Menurut Arifin (2012) klasifikasi
menggunakan K-Nearest Neighbor (KNN) lebih mudah dan lebih handal untuk
direpresentasikan dibandingkan dengan algoritma lain seperti Support Vector

Machines (SVM), Naive Bayessian (NB) dan Artificial Neural Networks (ANN).
Namun KNN membutuhkan alokasi memori yang besar karena tidak membangun
model klasifikasi dalam prosesnya.
Secara visual inti sawit utuh, pecah, dan kotoran dapat dibedakan
berdasarkan bentuk, ukuran dan karakteristik kekasaran permukaan. Biji inti sawit
utuh memiliki rata-rata panjang 1.57 cm, lebar 0.92 cm, kebulatan 80 % dan berat
1.11 gram. Sedangkan kotoran memiliki rata-rata panjang 1.39 cm, lebar 0.48 cm,
kebulatan 60% dan berat 0.40 gram (Akubuo 2002). Berdasarkan karakteristik
fisik tersebut, penentuan klasifikasi fisik inti sawit dilakukan menggunakan
analisis tekstur dan morfologi. Pada penelitian ini klasifikasi fisik inti sawit
dilakukan menggunakan image processing secara real time dengan metode
klasifikasi K-Nearest Neighbourhood (KNN).
Secara umum tujuan penelitian ini mengembangkan sistem klasifikasi fisik inti
sawit berbasis pengolahan citra dan KNN secara real time. Secara spesifik tujuan
penelitian ini adalah 1) Mengembangkan algoritma pengolahan citra inti sawit secara
real time berdasarkan morfologi dan tekstur, 2) Melakukan pendugaan klasifikasi
fisik inti sawit menggunakan KNN.
Bahan yang digunakan dalam penelitian ini adalah inti sawit yang diperoleh
dari pabrik pengolahan kelapa sawit (PKS) PTPN VIII Cikasungka, Jawa Barat.
Peralatan yang digunakan terdiri atas nampan, timbangan digital dan perangkat

pengambilan citra.

ii

iii

Penelitian dimulai dengan perancangan alat pengambilan citra kemudian
dilanjutkan dengan pengembangan algoritma pengolahan citra dan pengembangan
real time image processing, persiapan sampel inti sawit, pelatihan perangkat lunak
dan pengujian sistem.
Perangkat pengambilan citra inti sawit dirancang untuk dapat memisahkan
setiap biji inti sawit satu dengan lainnya sehingga memudahkan proses klasifikasi.
Perangkat pengambilan citra terdiri atas laptop, kamera handphone 8 MP,
dudukan kamera, dudukan lampu neon, lampu neon 8 watt, rangka, tray berlubang
untuk pemisahan inti sawit, dan alat perata untuk memasukkan inti sawit ke dalam
tray berlubang.
Perangkat lunak pengolahan citra dikembangkan menggunakan bahasa
Matlab R2014a dengan Sistem Operasi Windows 7 dengan script program
pengolah citra yang terdapat dalam toolbox image processing. Tahapan
pengambangan algoritma pengolahan citra terdiri atas : 1) Pembacaan image, 2)

Membedakan antara latar dan objek dengan metode binerisasi, 3) Pelabelan dan
deteksi tepi objek, 4) Temu kembali citra, 5) Mengubah mode citra menjadi
grayscale, red, green, blue, 6) Karakteristik ciri masing-masing citra, dan 7)
Analisis KNN.
Sistem Real time image processing dilakukan dengan bantuan aplikasi
droidcam client V.6 yang dapat di download pada playstore. Aplikasi tersebut
merubah fungsi kamera handphone menjadi web-cam.
Citra dari inti utuh, pecah dan kotoran diubah menjadi citra keabuan
(grayscale), selanjutnya dilakukan ekstraksi ciri histogram untuk menganalisis
tekstur permukaan yang akan menghasilkan data ciri statistik dan morfologi.
Klasifikasi prediksi ketepatan mutu inti sawit dilakukan menggunakan KNN.
Kombinasi dari data ciri statistik dan morfologi dilakukan untuk mendapatkan
ketepatan prediksi yang terbaik dengan mengacu pada jumlah tetangga (k). Hasil
penelitian dengan menggunakan data uji sebanyak 90 gram atau 136 butir biji inti
sawit menunjukkan akurasi tertinggi saat nilai k 27. Waktu yang dibutuhkan pada
proses klasifikasi inti sawit secara real time relatif lebih lama pada proses
penebaran dan perataan biji yang membutuhkan waktu 110.5 detik, sedangkan
pada proses klasifikasi program hanya membutuhkan waktu 29.13 detik. Akurasi
dalam pendugaan kategori inti sawit dengan cara ditebar mencapai 76.03% pada
pendugaan jumlah butir, dan 71.31% pada pendugaan jumlah massa.

Kata kunci : Inti sawit, real time, pengolahan citra, KNN

iii

iv

SUMMARY
OKTA DANIK NUGRAHENI. Physical Classification of Palm Kernel Using
Real Time Image Processing and K-Nearest Neighborhood (K-NN). Supervised
by I WAYAN ASTIKA and I DEWA MADE SUBRATA.
Palm kernel quality has physically been determined using manual technique
by separating the kernel into 3 parts including shells, broken, and whole kernel
(DSN 1987). Determination of palm kernel quality using former method remains a
problem between buyers and sellers, leading to disadvantages of them. Such
manual technique is also low efficiency, objectivity, consistency, thus method
development for palm kernel quality identification is required.
Some researchers have developed image processing method with high
accuracy ranged from 60 to 100% applied in grain-like objects such as coffee
beans (Sofi'I et al. 2005; Soedibyo et al. 2009), nutmeg (Dinar et al. 2012), raisin

(Mollazade et al. 2012) and ginko seed (Ahmad 2013). Some researchers have
also managed to build the automatic system for determination of grain quality
based on image processing (Wan 2002; Soedibyo et al. 2010), although the
system still requires substantial investment. Most of these studies were developed
using algorithms Artificial Neural Networks (ANN). Arifin (2012) stated that
classification using K-Nearest Neighbor (KNN) was easier and more reliable to be
represented in comparison with other algorithms such as Support Vector
Machines (SVM), Naive Bayessian (NB) and Artificial Neural Networks (ANN).
However, KNN required great memory allocation because its classification model
was not built in the process.
Whole kernel, broken, and shells can visually be distinguished by the shape,
size and surface roughness characteristics. Whole had average length of 1.57 cm,
0.92 cm width, roundness 80%, and 1.11 gram weight, while the shell had an
average length of 1.39 cm, 0.48 cm width, roundness 60% and 0.40 gram weight
(Akubuo 2002). Based on the physical characteristics, classification of physical
palm kernel is determined using textural and morphological analysis. In this
research, the physical classification of palm kernel was performed using real time
image processing with K-Nearest Neighborhood (K-NN) as method of
classification accuracy.
The general objective of this research was to develop a physical

classification system of palm kernel based on the real time image processing and
KNN. Specifically, This research aimed to 1) develop an real time image
processing algorithms of palm kernel based on morphology and texture, and 2)
estimate the physical classification of palm kernel using KNN.
The material used in this study was palm kernel obtained from palm oil
mills of PTPN VIII Cikasungka, West Java. The tools were tray, digital scales and
image acquisition devices.
The research consisted of several steps, including the design of the image
acquisition device, the development of image processing algorithms, and
development of real time image processing, preparation of palm kernel samples,
software training and system testing.
The image capture device of palm kernel was designed to separate each
palm kernel seed, thus the classification was easier to process. Image capture

iv

v

device consisted of a laptop, 8 MP phone camera, camera holder, lighting holder,
lamp 8 watt, chassis, perforated tray for separation of palm kernel, and grading

tool to incorporate palm kernel into the perforated tray.
Image processing software was developed using Matlab R2014a with
Windows 7 Operating System and a program script contained in the image
processing toolbox. Development of image processing algorithm included 1)
image reading, 2) differentiation between the background and the object by
binarization, 3) labelling and detection of object edges, 4) re-imaging, 5)
replacement of image mode to grayscale, red, green, and blue, 6) characterization
of each image feature, and 7) KNN analysis.
Real time image processing system was supported by Droidcam client V.6
which is downloadable from the internet. The application changes the function of
the camera phone to web-cam.
The image of the shells, broken and whole kernel were transformed into
grayscale images, and then histogram features were extracted to analyze the
surface texture which formed statistical and morphological feature data. KNN was
used to classify accuracy of prediction accuracy of palm kernel quality.
Combination of statistical data and morphological data was to obtain the best
prediction accuracy according to neighborhood (k). The results using 89.9 gr or
136 grains of palm kernel seeds showed the highest accuracy at k = 27. In real
time classification of palm kernel, time required for spreading and flattening the
kernel was 110.5 sec, but the program took only 29.13 sec for classification.

Accuracy in estimation of palm kernel category by spreading was 76.03% for
number of the grain estimating and 71.31% for the mass estimation.
Keywords: palm kernel, real time, image processing, KNN

v

vi

© Hak Cipta Milik IPB, Tahun 2016
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan
atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan,
penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau
tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan
IPB
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini
dalam bentuk apa pun tanpa izin IPB

vi

vii

KLASIFIKASI FISIK INTI SAWIT MENGGUNAKAN REAL
TIME IMAGE PROCESSING DAN K-NEAREST
NEIGHBOURHOOD (KNN)

OKTA DANIK NUGRAHENI
Tesis
sebagai salah satu syarat untuk memperoleh gelar
Magister Sains
pada
Program Studi Teknik Mesin Pertanian dan Pangan

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2016

vii

viii

Penguji Luar Komisi pada Ujian Tesis : Dr Liyantono, STP MAgr

viii

x

PRAKATA
Alhamdulillahi rabbil ‘alamin, puja dan puji syukur penulis panjatkan
kehadirat Allah, SWT yang telah memberikan rahmat-Nya sehingga penulis dapat
menyelesaikan penyusunan tesis yang berjudul Klasifikasi Fisik Inti Sawit
Menggunakan Real Time Image Processing dan K-Nearest Neighbourhood
(KNN).
Pada kesempatan ini penulis menyampaikan terima kasih kepada Dr Ir I
Wayan Astika MSi (Ketua Komisi Pembimbing) dan Dr Ir I Dewa Made Subrata
MAgr (Anggota Komisi pembimbing) atas bimbingan dan saran selama
penelitian, Dr Ir Y. Aris Purwanto MSc selaku ketua Program Studi Teknik Mesin
Pertanian dan Pangan dan Dr Liyantono STP MAgr (Penguji Luar Komisi
Pembimbing) yang telah memberikan saran dan arahan untuk perbaikan tesis ini.
Penulis juga menyampaikan ucapan terima kasih kepada teman-teman
seperjuangan di S2 Teknik Mesin Pertanian dan Pangan (2013) dan S2 Teknologi
Pasca Panen (2013) atas bantuan dan dukungannya selama ini. Serta teman-teman
yang telah berkontribusi membantu penelitian ini : Agus Sutejo STP MSi, Dr
Slamet Widodo STP MSc, Arief, Ubaidillah, Syahid, Waqif, Wendi, dan Ayunk.
Secara khusus, penulis menyampaikan ucapan terima kasih kepada suami
tercinta Ahmad Thoriq, ananda Atha Rafif Nugroho, ibunda Sulastini, dan
ayahanda Rumain, yang selalu memberikan semangat dan inspirasi.
Harapan penulis semoga karya ilmiah ini bermanfaat bagi semua pihak yang
memerlukannya.

Bogor, September 2016

Okta Danik Nugraheni

x

xi

DAFTAR ISI
DAFTAR ISI

xi

DAFTAR TABEL

xii

DAFTAR GAMBAR

xii

DAFTAR LAMPIRAN

xiii

1 PENDAHULUAN
Latar Belakang
Perumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Ruang Lingkup Penelitian

1
1
2
2
2
2

2 TINJAUAN PUSTAKA
Inti Kelapa Sawit
Pengolahan Citra untuk Penentuan Mutu Bijian
Sistem Penentuan Mutu Bijian Secara Otomatis
K-Nearest Neighbour

3
3
4
6
7

3 METODE
Waktu dan Tempat
Bahan dan Alat
Prosedur Penelitian

7
7
8
8

4 HASIL DAN PEMBAHASAN
17
Perangkat Pengambilan Citra Inti Sawit
17
Sistem Akuisisi Citra
18
Karakteristik Citra Inti Sawit
20
Hasil Pengujian Sistem Real Time Image Processing Menggunakan KNN 22
5 SIMPULAN DAN SARAN
Simpulan
Saran

27
27
28

DAFTAR PUSTAKA

29

LAMPIRAN

31

RIWAYAT HIDUP

43

xi

xii

DAFTAR TABEL
Tabel 1 Standar mutu inti sawit
Tabel 2 Ketepatan pendugaan klasifikasi dengan nilai k = 27
Tabel 3 Hasil pengujian massa masing-masing kategori
Tabel 4 Hasil pengujian dengan cara menebar dalam jumlah butir
Tabel 5 Hasil pengujian dengan cara menebar dalam jumlah massa
Tabel 6 Total waktu yang dibutuhkan dalam pengoperasian alat
Tabel 7 Waktu yang dibutuhkan pada masing-masing proses

3
23
25
26
26
27
27

DAFTAR GAMBAR
Gambar 1 Mesin sortasi bijian tipe sabuk (Wan 2002)
Gambar 2 Diagram alir tahapan penelitian
Gambar 3 Perangkat pengambilan citra inti sawit
Gambar 4 Klasifikasi inti sawit ; (a) utuh, (b) pecah, (c) kotoran
Gambar 5 Diagram alir analisis citra
Gambar 6 Tampilan figure window Usecam
Gambar 7 Diagram alir proses klasifikasi kategori inti sawit secara real time
Gambar 8 Perangkat pengambilan citra
Gambar 9 Detail perangkat pengambilan citra, (a) tampak atas, (b) detail
tray berlubang
Gambar 10 Tampilan antar muka sistem pengambilan citra inti sawit
Gambar 11 Tampilan program proses perhitungan parameter ciri dan
diklasifikasi berdasarkan jenis dan jumlah biji inti sawit
Gambar 12 Tampilan program proses klasifikasi berdasarkan jenis dan berat
biji inti sawit
Gambar 13 Sebaran nilai setiap kategori pada ciri morfologi
Gambar 14 Nilai irisan distribusi penggolongan citra inti sawit berdasarkan
parameter ciri statistik
Gambar 15 Akurasi pendugaan kategori inti sawit dengan berbagai nilai k
Gambar 16 Kurva regresi hubungan antara berat dan luas untuk kategori biji
utuh
Gambar 17 Kurva regresi hubungan antara berat dan luas untuk kategori biji
pecah
Gambar 18 Kurva regresi hubungan antara berat dan luas untuk kategori
kotoran
Gambar 19 Contoh penampakan cangkang inti sawit

xii

6
8
10
13
14
15
16
18
18
19
19
20
21
21
22
23
24
24
25

xiii

DAFTAR LAMPIRAN
Lampiran 1 Cara uji mutu fisik inti kelapa sawit
Lampiran 2 Hasil uji statistik ANOVA
Lampiran 3 Hasil pengujian masing-masing kategori dengan cara menebar
Lampiran 4 Hasil pengujian masing-masing kategori dengan cara menebar
dengan kapasitas maksimal (100 gram)
Lampiran 5 Proses penebaran inti sawit diatas tray
Lampiran 6 Contoh tampilan program antar muka pada proses klasifikasi biji
yang ditebar dengan tray
Lampiran 7 Contoh tampilan hasil klasifikasi yang ditunjukkan dengan warna
pada biji yang ditebar dengan tray

32
34
38
39
40
41
42

xiii

1

1 PENDAHULUAN
Latar Belakang
Inti sawit merupakan produk samping hasil pengolahan Tandan Buah Segar
(TBS) yang masih memiliki nilai jual tinggi. Inti sawit akan diolah lebih lanjut
untuk pembuatan minyak inti sawit. TBS yang dipanen terdiri atas tandan kosong
(29%), inti sawit (11%) dan daging buah (60%) (Hariyadi 2010). Saat ini
Indonesia memproduksi minyak inti sawit sebesar 3.78 milion matrik ton (MMT)
dan bungkil inti sawit sebesar 4.55 MMT (USDA 2015). Hal ini menunjukkan
bahwa produksi inti sawit dan yang diperdagangkan di Indonesia mencapai 8.30
MMT.
Pada proses perdagangan inti sawit, pembeli akan mengambil inti sawit di
gudang penyimpanan pada pabrik pengolahan crude palm oil (CPO)
menggunakan truk. Sebelum truk keluar dari pabrik, inti sawit yang telah dimuat
dalam truk dilakukan analisis mutu. Cara pengambilan contoh dan cara uji
mengacu pada SNI inti sawit nomor 01-0002-1987. Standar mutu inti sawit yang
diperdagangkan terbagi ke dalam dua bagian, yaitu 1) mutu secara fisik yang
terdiri atas kotoran (maksimal 6%), inti pecah (maksimal 15%) dan inti berubah
warna (maksimal 40%); 2) mutu secara kimia terdiri atas kadar air (maksimal
8%), kadar minyak (minimal 46%) dan kadar asam lemak bebas (maksimal 3%)
(DSN 1987).
Penentuan mutu inti sawit secara fisik hingga saat ini masih dilakukan
secara manual dengan memisahkan inti sawit menjadi 3 (tiga) bagian yaitu
kotoran, inti pecah, dan inti utuh (DSN 1987). Penentuan mutu inti sawit secara
manual seringkali mengakibatkan terjadi konflik antar pembeli dan penjual
mengenai mutu inti sawit, kondisi ini tentunya akan merugikan kedua belah pihak.
Selain itu proses penentuan mutu secara manual memiliki kekurangan pada
rendahnya efisiensi, objektifitas, dan tingkat konsistensi, sehingga perlu dilakukan
pengembangan metode identifikasi mutu inti sawit yang baik dan akurat berbasis
pengolahan citra.
Teknologi pengolahan citra semakin banyak dikembangkan didunia
pertanian, karena dapat digunakan untuk pengukuran/pengujian dan klasifikasi
suatu bahan secara otomatis, obyektif, dan konsisten dengan kapasitas besar
dan
tidak memerlukan banyak tenaga kerja. Beberapa peneliti telah
mengembangkan metode pengolahan citra untuk penentuan mutu objek yang
berbentuk biji-bijian dengan akurasi yang cukup baik berkisar antara 60-100%
diantaranya penentuan mutu biji kopi (Sofi’i et al. 2005; Soedibyo et al. 2009),
biji pala (Dinar et al. 2012), biji kismis (Mollazade et al. 2012) dan biji ginko
(Ahmad 2013). Peneliti lain juga telah berhasil membangun sistem penentuan
mutu bijian secara otomatis yang terdiri atas mesin inspeksi otomatis berbasis
pengolahan citra (Wan 2002; Soedibyo et al. 2010) meskipun sistem mesin
tersebut masih membutuhkan investasi yang cukup besar. Sebagian besar dari
penelitian tersebut dikembangkan menggunakan algoritma Artificial Neural
Networks (ANN). Alternatif lain dapat dilakukan menggunakan K-Nearest
Neighbor (KNN). Menurut Arifin (2012) klasifikasi menggunakan K-Nearest

1

2

Neighbor (KNN) lebih mudah dan lebih handal untuk direpresentasikan
dibandingkan dengan algoritma lain seperti Support Vector Machines (SVM),
Naive Bayessian (NB), dan Artificial Neural Networks (ANN). Namun KNN
membutuhkan alokasi memori yang besar karena tidak membangun model
klasifikasi dalam prosesnya.
Secara visual inti sawit utuh, pecah, dan kotoran dapat dibedakan
berdasarkan bentuk, ukuran, dan karakteristik kekasaran permukaan. Biji inti
sawit utuh memiliki rata-rata panjang 1.57 cm, lebar 0.92 cm, kebulatan 80 % dan
berat 1.11 gram. Sedangkan kotoran memiliki rata-rata panjang 1.39 cm, lebar
0.48 cm, kebulatan 60% dan berat 0.40 gram (Akubuo 2002). Berdasarkan
karakteristik fisik tersebut, penetuan klasifikasi fisik inti sawit dilakukan
menggunakan analisis tekstur dan morfologi. Analisis morfologi digunakan untuk
menganalisis bentuk biji, sehingga orientasi biji dapat ditentukan ketika biji
dihamparkan (Ahmad 2013) sedangkan analisis tekstur bertujuan untuk
mendapatkan ciri atau fitur pada citra grayscale (Qur'ania et al. 2012). Pada
penelitian ini klasifikasi fisik inti sawit dilakukan menggunakan image processing
secara real time dengan metode klasifikasi K-Nearest Neighbourhood (KNN).
Perumusan Masalah
Analisis mutu fisik inti sawit dilakukan untuk menentukan pengaturan
mesin screw press pada stasiun pengempaan yang tepat, sehingga didapatkan
minyak sawit mentah (CPO) maksimal dan inti sawit pecah minimal. Selain itu
analisis mutu fisik inti sawit dilakukan pada proses perdagangan inti sawit sebagai
parameter utama penentuan harga inti sawit. Hingga saat ini penentuan mutu inti
sawit secara fisik pada pabrik pengolahan kelapa sawit masih dilakukan secara
manual yang sangat dipengaruhi oleh pengalaman, sehingga diperlukan perangkat
klasifikasi fisik inti sawit berbasis pengolahan citra yang dioperasikan secara real
time untuk meningkatkan konsistensi.
Tujuan Penelitian
Secara umum tujuan penelitian ini mengembangkan sistem klasifikasi fisik inti
sawit berbasis pengolahan citra dan KNN secara real time. Secara spesifik tujuan
penelitian ini adalah :
1. Mengembangkan algoritma pengolahan citra inti sawit secara real time
berdasarkan morfologi dan tekstur
2. Melakukan pendugaan klasifikasi fisik inti sawit menggunakan KNN

Manfaat Penelitian
Hasil dari penelitian ini diharapkan dapat digunakan sebagai referensi untuk
membuat mesin grading dan sortasi inti sawit secara otomatis.
Ruang Lingkup Penelitian
Ruang lingkup penelitian meliputi perancangan alat pengambilan citra yang
sederhana, penggunaan kamera handphone untuk pengambilan citra dan

3

pengembangan algoritma pengolahan citra menggunakan KNN secara real time.
Parameter klasifikasi fisik mengacu pada SNI inti sawit nomor 01-0002-1987
meliputi inti sawit utuh, pecah dan kotoran. Inti sawit yang digunakan berasal dari
pabrik pengolahan kelapa sawit PT. Perkebunan Nusantara VIII Cikasungka,
Kabupaten Bogor.

2 TINJAUAN PUSTAKA
Inti Kelapa Sawit
Inti kelapa sawit adalah bagian dari buah tanaman sawit (Elaeis guineensis
Jacq) yang telah dipisahkan dari daging buah dan tempurung serta dikeringkan. Pada
pabrik kelapa sawit, pembentukan biji terjadi pada stasiun pengempaan. Biji kelapa
sawit terdiri atas cangkang dan inti kelapa sawit. Proses pengempaan dilakukan
menggunakan screw press dan akan menghasilkan minyak kasar dengan kadar 50%
CPO, 42% air, 8% zat padat. Zat padat berupa biji, serabut mesocarp dan cangkang
masih tercampur sehingga harus dipisahkan. Proses pemisahan biji dan serabut
dilakukan dengan 2 (dua) cara yaitu : 1) Pneumatis, dengan menggunakan tarikan
atau hisapan udara pada sebuah kolom pemisah. Pemisahan terjadi akibat adanya
perbedaan berat antara dua jenis bahan yang hendak dipisahkan (biji dan serabut).
Selanjutnya biji yang telah terpisah masuk ke dalam nut polishing drum (tromol
pembersih biji) dan dikeringkan pada nut silo. 2) Mekanis, menggunakan ayakan
model segi delapan (oktogonal) yang kedelapan sisinya dibentuk oleh lembaranlembaran besi. Biji-biji dipisahkan dari serabut yang akan disaring melalui lubanglubang lembaran besi tersebut. Setelah biji dipisahkan dari serabut, selanjutnya
dilakukan proses pengeringan biji, pemisahan biji, pemecahan biji, serta pemisahan
inti sawit dan cangkang dengan teknik pemisahan basah yang dilanjutkan dengan
pengeringan inti sawit. Produk akhir inti sawit kemudian disimpan digudang dan siap
diperdagangkan (Pahan 2008).
Standar Mutu Inti Sawit
Menurut SNI 01-0002-1987 standar mutu inti sawit yang diperdagangkan
terbagi ke dalam 2 (dua) bagian yaitu 1) mutu secara fisik yang terdiri atas kotoran,
inti sawit pecah dan Inti berubah warna, 2) mutu secara kimia terdiri atas kadar air,
kadar minyak dan kadar asam lemak bebas. Standar mutu inti sawit dapat dilihat pada
Tabel 1.
Tabel 1 Standar mutu inti sawit
No
Jenis Uji
Satuan Persyaratan
1
2

%
%

min.46
maks.3

3
4
5

Kadar Minyak, (b/b) kering
Kadar Asam Lemak Bebas,(b/b) dihitung sbg
Asam Laurat
Kadar Air, (b/b)
Kadar Kotoran. (b/b)
Kadar Inti Pecah (b/b)

%
%

maks.8.0
maks.6
15

6

Kadar lnti Berubah warna (jumlah/jumlah)

%

40

Sumber : SNI 01-0002-1987

4

Mekanisme Pengambilan Sampel Uji
Contoh diambil secara acak sebanyak akar pangkat dua dari jumlah karung
dengan maksimum 30 karung dari tiap partai barang maksimum 1000 karung.
Kemudian dari tiap karung diambil sebagai contoh maksimum 1 kg dari bagian
atas, tengah, dan bawah. Contoh-contoh tersebut dicampur dan diaduk sehingga
merata, kemudian dibagi empat dan secara diagonal dua bagian diambil untuk
disatukan kembali. Cara tersebut diatas dilakukan beberapa kali sampai diperoleh
contoh seberat 1 kg contoh. kemudian dimaksukkan kedalam kantong plastik dan
disegel, serta diberi label yang antara lain bertuliskan identitas pengambilan
contoh dan tanggal pengambilan contoh. Sedangkan cara pengujian mutu secara
fisik dapat dilihat pada Lampiran 1. Petugas pengambil contoh harus memenuhi
syarat yaitu orang yang telah berpengalaman atau dilatih lebih dahulu dan
mempunyai ikatan dengan suatu badan hukum (DSN 1987).
Pengolahan Citra untuk Penentuan Mutu Bijian
Soedibyo et al. (2009) melakukan pengembangan pengolahan citra untuk
penentuan mutu kopi beras. Pengolahan citra digunakan untuk mendapatkan enam
parameter citra berupa : area, lebar, perimeter, area cacat, indeks warna merah,
dan indeks warna hijau. Kelas mutu yang diamati adalah kelas mutu A, B, C dan
reject. Sampel biji kopi beras yang digunakan pada masing-masing kelas mutu
adalah 128 biji, sehingga secara keseluruhan digunakan 512 biji kopi beras.
Pengambilan gambar digunakan secara majemuk dengan susunan biji kopi beras
yang teratur dengan konfigurasi matrik 4 x 4. Keenam parameter citra dianalisis
secara statistik untuk mendapatkan hubungan antara enam parameter citra dengan
kelas mutu biji kopi beras, kemudian merumuskan hubungan tersebut dengan
persamaan logika. Dari enam parameter tersebut hanya area, area cacat, r, dan g
yang dapat diformulasikan kedalam persamaan logika. Hasil yang diperoleh
adalah program komputer dapat mengidentifikasi kelas mutu dengan tingkat
kesesuaian 78% dengan tingkat kesesuaian masing-masing mutu A, B, C, dan
reject berturut-turut sebesar 64%, 64%, 87% dan 96%.
Dinar et al. (2012) melakukan pendugaan kelas mutu berdasarkan analisa
warna dan bentuk biji pala (Myristica fragrans houtt) menggunakan teknologi
pengolahan citra dan jaringan saraf tiruan. Citra diambil dengan machine vision
dilengkapi dengan sensor citra sebuah webcam (Genius 2MP iSlim 2020), sumber
cahaya berasal dari lampu TL 5 watt sebanyak 2 buah, dan PC untuk menyimpan
citra, mengolah data, menampilkan citra. Latar belakang dinding berwarna hitam
dan proses pengumpulan data citra dilengkapi dengan alat pengukur intensitas
cahaya Luxmeter untuk memastikan keseragaman intensitas cahaya. Proses
analisa dan pengolahan citra dilakukan dengan bantuan software Matlab R2009a
dengan script program pengolah citra yang terdapat dalam toolbox image
processing. Hasil penelitian menunjukan parameter mean saturation dan area
berhasil mengidentifikasi kelas mutu pala ABCD, Rimpel dan BWP dengan
akurasi 100%.
Mollazade et al. (2012) mengidentifikasi kualitas kismis menggunakan
image processing dan data mining klasifikasi. Data mining klasifikasi yang
digunakan antara lain artificial neural networks (ANNs), support vector machines
(SVMs), decision trees (DTs) dan Bayesian networks (BNs). Sebelum proses

5

pengambilan image, kismis dipisahkan berdasarkan kualitas atau kelasnya
masing-masing oleh orang yang sudah berpengalaman berdasarkan standard
provided by Institute of Standards and Industrial Research of Iran (ISIRI, 1990).
Pengelompokannya terdiri atas kismis hijau tanpa ekor (G), kismis hijau dengan
ekor (GT), kismis hitam tanpa ekor (B), dan kismis hitam dengan ekor (BT).
Hanya 25 kismis yang diambil gambarnya dalam satu kali foto, dan masingmasing kelompok diambil 10 gambar sampel. Setelah proses pengolahan citra
yaitu dilakukan klasifikasi berdasarkan empat teknik data mining. Hasil dari tahap
validasi ANN menunjukkan akurasi klasifikasi tertinggi 96.33%, SVM dengan
fungsi inti sawit polynomial 95.67%, DT dengan algoritma J48 94.67%, dan BN
dengan simulated annelin learning 94.33%.
Ahmad (2013) deteksi ujung biji ginko menggunakan pengolahan citra
berbasis analisis morfologi. Bahan dan peralatan yang digunakan adalah sampel
biji ginkgo sebanyak 60 buah yang terdiri dari tiga varietas masing-masing 20
buah, yaitu varietas Kinbei, Kyujyu, dan Tokuro. Peralatan yang digunakan
adalah kamera CCD ARTCAM-267 KY (0.5inch), yang dipasangkan dengan
lampu LED putih LDR2-90-30SW berdaya 18W dan 5500K color temperature,
dengan jarak lensa dan obyek 70mm. Sebuah komputer digunakan untuk
perekaman dan pengolahan citra. Citra direkam dalam resolusi 640x480 piksel
dan dianalisis menggunakan program komputer yang dibangun menggunakan
MSVC#2010 Express di atas Sistem Operasi Windows 7. Hasil deteksi bagian
ujung biji menggunakan algoritma berdasarkan analisis morfologi dengan akurasi
masing-masing 100% untuk Kinbei, 85% untuk Kyujyu, dan 65% untuk Tokuro.
Operasi morfologi dilakukan untuk memperbaiki bentuk biji pada citra biner
sehingga kemampuan deteksi ujung biji dapat ditingkatkan. Hasil deteksi bagian
ujung biji setelah operasi perbaikan bentuk dilakukan masing-masing meningkat
menjadi 100% untuk Kyujyu dan 85% untuk Tokuro, sedangkan Kinbei tidak
terpengaruh, tetap 100%.
Zawbaa et al. (2014) melakukan penelitian pengenalan otomatis untuk
mengklasifikasi dan mengidentifikasi jenis buah dari bentuk dan warna serta
menggunakan scale invariant feature transform (SIFT). Pada tahap klasifikasi
digunakan algoritma KNN dan SVM. Komoditi yang digunakan adalah jeruk,
stroberi, dan apel. Skenario yang digunakan yang pertama; adalah ekstraksi fitur
berdasarkan bentuk dan warna dengan KNN, kedua; ekstraksi fitur berdasarkan
bentuk dan warna dengan SVM, ketiga; ekstraksi fitur berdasarkan SIFT dengan
KNN, dan terakhir; ekstraksi fitur berdasarkan SIFT dengan SVM. Hasil
penelitian menunjukkan bahwa akurasi klasifikasi tergantung pada derajat
diferensiasi antara jenis buah. Pengamatan dilakukan dengan 3 metode yang
pertama yaitu pengamatan pada buah jeruk dan apel yang memiliki kesamaan
bentuk dan warna berbeda, diperoleh nilai akurasi tertinggi dengan algoritma
klasifikasi SVM. Metode yang kedua yaitu menggunakan apel dan stroberi yang
memiliki bentuk berbeda dan warna yang sama, diperoleh akurasi tertinggi pada
ekstraksi fitur SIFT dan menggunakan KNN. Terakhir metode pengamatan
dengan bentuk dan warna buah yang berbeda yaitu jeruk dan stroberi, diperoleh
akurasi 100% dengan ekstraksi fitur SIFT dan KNN pada kedua jenis buah.

6

Sistem Penentuan Mutu Bijian Secara Otomatis
Wan (2002) membangun sistem penanganan bijian otomatis yang terdiri
atas mesin inspeksi otomatis dan unit pengolahan citra. Sistem ini menyediakan
bijian yang tersusun dalam pola matriks secara kontinyu untuk diambil
gambarnya dengan kamera CCD, memisahkan setiap bijian dengan
background (conveyor belt), dan melepaskan bijian menuju kontainer yang
ditentukan. Mesin inspeksi memiliki alat penyebar dan pengatur posisi,
stasiun pengambilan gambar, alat pemisah paralel, dan konveyor sabuk yang
memiliki lubang pembawa bijian. Sistem diuji menggunakan beras, gandum,
sorgum, dan jobstear. Sistem penentuan mutu ini menggunakan tipe sabuk, citra
bijian diambil secara majemuk dengan konfigurasi matriks 4 x 6 sehingga
memudahkan dalam pemisahan individu bijian. Penentuan mutu ini
memisahkan bijian dalam 6 kelas mutu. Pengujian menujukkan bahwa alat
penyebar dan pengaturan posisi memiliki rasio pengisian sebesar 90%, dan
peralatan pemisah paralel memiliki akurasi 99%. Sistem ini dapat memproses
1899 biji setiap menit dengan penggunaan satu kamera. Sedangkan pada
penggunaan dua kamera kecepatan proses sebesar 1296 biji tiap menit. Gambar 1
berikut ini adalah gambar sistem yang dibangun.

Gambar 1 Mesin sortasi bijian tipe sabuk (Wan 2002)
Soedibyo et al.(2010) melakukan rancang bangun sistem sortasi cerdas
berbasis pengolahan citra untuk kopi beras. Kontruksi sistem mesin sortasi yang
dibuat terdiri atas : 1) Stasiun pengambilan citra, 2) Motor penggerak dan sistem
konveyor, 3) Simulator pemisah paralel, 4) Sistem kontrol dan aliran data. Hasil
image acquisition dengan resolusi citra 640 x 480 menunjukkan bahwa jarak
optimal kamera dengan obyek adalah adalah 207 milimeter dan jarak pencahayaan
300 milimeter. Citra yang ditangkap kamera digital dan ditampilkan oleh monitor
komputer sama atau mendekati aslinya, sedikit timbul bayangan, dan tidak ada
cahaya berlebih yang mempengaruhi warna obyek. Citra yang dihasilkan setiap
frame berisi 16 kopi beras yang disusun dalam bentuk matriks 4 x 4. Sebagai
background adalah belt berlubang yang berwarna putih. Lubang tersebut berfungsi
sebagai tempat dudukan biji.

7

Makky dan Soni (2013) merancang bangun sebuah mesin pemeriksa
otomatis untuk TBS yang dibuat dan diuji melalui serangkaian uji lapangan.
Terdapat empat subsistem mesin yang telah diuji menggunakan analisis
diskriminasi bertahap. Mesin melakukan klasifikasi TBS menjadi dua kelas, yaitu
ditolak (kelas 1), dan diterima (kelas 2) dengan tingkat keberhasilan 93.53%.
Untuk klasifikasi fraksi digunakan standar Indonesian Oil Palm Research Institut
(IOPRI) sebagai acuan. Penelitian ini menerapkan algoritma K-means dan analisis
kuadrat jarak Euclidean, yang menunjukkan tingkat keberhasilan 88.7%. Delapan
model yang digunakan untuk memperkirakan berat TBS, satu untuk setiap fraksi,
dan menunjukkan rata-rata R2 adalah 0.9603. Pengembangan mesin pemeriksa
otomatis untuk kelapa sawit TBS dengan prinsip real-time dan metode nondestruktif menjadi mesin pertama di Indonesia yang melakukan pemeriksaan TBS
otomatis dan parameter identifikasi TBS berdasarkan standar penilaian IOPRI.
K-Nearest Neighbour
K-nearest neighbour (KNN) adalah salah satu metode klasifikasi yang
berbasis pembelajaran. KNN membandingkan data uji yang diberikan dengan data
latih yang sama berdasarkan jumlah tetangga terdekat (k). Setiap data
merepresentasikan sebuah titik dalam kelas. Data latih disimpan dalam kelas yang
telah ditentukan. Ketika diberikan data yang tidak diketahui kelasnya, KNN akan
mencari pola sebanyak k data latih yang dekat dengan data yang belum memiliki
kelas. Sehingga kinerjanya sangat tergantung pada metrik jarak yang digunakan
untuk mengidentifikasi tetangga terdekat (Weinberger et al. 2006).
Sebagian besar pengklasifikasi KNN menggunakan jarak euclidian
sederhana untuk mengukur perbedaan-perbedaan antara contoh yang
direpresentasikan sebagai input vektor. Menurut Syafitri (2010) misalkan terdapat
dua data, yaitu x= (x1, x2,…xn) dan y= (y1,y2,…yn), maka jarak euclidian-nya
adalah :
,

= √∑ =

−

(1)

Dimana d (x, y) adalah jarak antara dua data, n adalah jumlah parameter
penduga. Jarak euclidian yang semakin kecil menunjukkan kesamaan yang lebih
tinggi. Jarak 0 berarti bahwa data sama (Trstenjak et al. 2014).

3 METODE
Waktu dan Tempat
Penelitian ini dilaksanakan di Laboratorium Manufaktur Departemen
Teknik Mesin dan Biosistem Fakultas Teknologi Pertanian, IPB selama 11 bulan,
dimulai pada bulan Mei 2015 sampai dengan bulan April 2016.

8

Bahan dan Alat
Bahan yang digunakan dalam penelitian ini adalah inti sawit yang diperoleh
dari pabrik pengolahan kelapa sawit (PKS) PTPN VIII Cikasungka, Jawa Barat.
Peralatan yang digunakan terdiri atas nampan, timbangan digital dan perangkat
pengambilan citra.
Prosedur Penelitian
Penelitian dimulai dengan perancangan alat pengambilan citra kemudian
dilanjutkan dengan pengembangan algoritma pengolahan citra dan pengembangan
real time image processing, persiapan sampel inti sawit, pelatihan perangkat lunak
dan pengujian sistem. Diagram alir tahapan penelitian secara lebih detail dapat
dilihat pada Gambar 2.
Mulai
Perancangan perangkat pengambilan citra

Pengembangan algoritma pengolahan citra
Pengembangan perangkat real time image processing

Persiapan sampel
Pelatihan perangkat lunak pengolahan citra

Berhasil

Tidak

Ya
Pengujian sistem

Akurasi Pendugaan Klasifikasi Fisik Inti Sawit

Selesai

Gambar 2 Diagram alir tahapan penelitian
Perancangan Sistem Klasifikasi Inti Sawit secara Real Time
Sistem klasifikasi inti sawit yang dibangun terdiri atas 2(dua) bagian yaitu
perangkat keras (hardware) dan perangkat lunak (software). Perangkat keras
dikembangkan untuk mempermudah proses pembacaan citra inti sawit sedangkan
perangkat lunak dikembangkan untuk dapat mengklasifikasi citra inti sawit
berdasarkan karakteristik fisik. Perangkat keras terdiri atas perangkat pengambilan
citra yang dirancang untuk dapat memisahkan setiap biji inti sawit satu dengan
lainnya sehingga memudahkan proses klasifikasi. Perangkat pengambilan citra
terdiri atas dudukan kamera, dudukan lampu neon, rangka, tray berlubang untuk
pemisahan inti sawit, dan alat perata untuk memasukkan inti sawit ke dalam tray
berlubang. Perangkat lunak pengolahan citra dikembangkan menggunakan bahasa

9

Matlab R2014a dengan Sistem Operasi Windows 7 dengan script program
pengolah citra yang terdapat dalam toolbox image processing.
Kriteria Rancangan
Perancangan sistem klasifikasi inti sawit secara real time yang dibangun
memiliki kriteria sebagai berikut :
1) Alat pengambilan citra dirancang dapat memisahkan antar biji inti sawit
2) Program pengolahan citra inti sawit dapat membaca dan melakukan klasifikasi
secara langsung (real time)
3) Sistem klasifikasi inti sawit mudah dioperasikan
Rancangan Fungsional
Sistem klasifikasi inti sawit terdiri atas hardware dan Software yang
memiliki fungsi yang berbeda-beda, diantaranya :
1) Kamera handphone sebagai proses masukan dari sebuah sistem pengambilan
citra inti sawit
2) Tray berlubang berfungsi sebagai alat bantu pemisah biji inti sawit agar tidak
saling menempel
3) Kabel USB digunakan untuk menghubungkan handphone dengan komputer
untuk memindahkan (transfer) data dari handphone ke komputer
4) Program pengolahan citra berfungsi untuk mengolah citra inti sawit secara real
time
Untuk mendapatkan citra yang baik, maka diperlukan pengaturan beberapa
parameter yang mempengaruhi kualitas citra diantaranya :
1) Pemilihan warna latar yang tepat
Warna latar yang dipilih adalah warna yang kontras dengan warna inti
sawit. Pemilihan warna latar dilakukan dengan menguji beberapa warna
kemudian membandingkan dengan warna inti sawit.
2) Optimasi pencahayaan yang tepat
Penentuan pencahayaan yang tepat dilakukan dengan menguji tiga lampu
neon yang memiliki daya 5 Watt, 8 Watt dan 15 Watt. Intensitas pencahayaan
diukur menggunakan lux meter. Citra diambil dari setiap lampu neon dan
dianalisis menggunakan program pengolahan citra digital, lampu neon yang
dipilih adalah lampu yang memberikan akurasi terbaik.
Rancangan Struktural
Sistem klasifikasi memiliki struktur yang dirancang untuk memudahkan
operator dalam mengoperasikannya. Perangkat pengambilan citra inti sawit
tampak pada Gambar 3.
1) Rangka berukuran 900mm × 600mm × 300mm yang terbuat dari besi siku
2) Tray berlubang berukuran 900mm × 600mm dengan lubang berdiameter 18
mm yang terbuat dari bahan nylon. Nylon merupakan bahan thermoplastic,
penggunaan bahan nylon bertujuan untuk mempermudah proses pembuatan
lubang.
3) Dudukan kamera yang diatur pada ketinggian 300mm. Penentuan jarak
optimum pengambilan citra dilakukan dengan mempertimbangkan luas objek
yang dapat diambil yang berimplikasi pada berat objek. Dudukan kamera yang
digunakan adalah tongkat selfie (self portrait). Pemakaian tongkat selfie (self

10

portrait) memudahkan pada proses pemasangan dan pelepasan handphone.
Penentuan jarak dilakukan dengan mengambil citra inti sawit pada variasi jarak
yang berbeda, selanjutnya citra dianalisis menggunakan perangkat lunak
pengolahan citra dan pilih jarak terbaik yang digunakan sebagai acuan pada
proses pengambilan citra inti sawit.

Gambar 3 Perangkat pengambilan citra inti sawit
Pengembangan Algoritma Pengolahan Citra
Perangkat lunak pengolahan citra dikembangkan menggunakan bahasa
Matlab R2014a dengan Sistem Operasi Windows 7 dengan script program
pengolah citra yang terdapat dalam toolbox image processing. Tahapan
pengembangan algoritma pengolahan citra dijelaskan sebagai berikut :
1. Pembacaan image
Pembacaan citra dapat menggunakan perintah imread yang berarti image
read. Hasil dari pembacaan imread (‘filename’) bisa berupa matriks dua
dimensi untuk citra grayscale dan matrik tiga dimensi untuk citra berwarna.
2. Membedakan antara latar dan objek dengan metode binerisasi
Warna latar yang dipilih adalah warna yang kontras dengan warna inti
sawit. Selanjutnya warna latar yang dipilih diubah menjadi warna putih
sedangkan warna objek diubah menjadi warna hitam.
3. Pelabelan dan deteksi tepi objek
Pelabelan dilakukan dengan memanfaatkan toolbox regionprops untuk
mengetahui posisi masing-masing objek (biji) dari citra inti sawit yang terdiri
atas beberapa biji. Proses pelabelan mengacu pada centroid dari objek,
selanjutnya dilakukan deteksi tepi untuk mengetahui batas dari masing-masing
objek.
4. Temu kembali citra
Setelah diketahui posisi masing-masing objek hasil dari proses pelabelan
dan deteksi tepi, selanjutnya dilakukan proses temu kembali citra dengan
memanggil citra asli (berwarna) sehingga dapat dilakukan cropping sesuai
dengan posisi pelabelan.
5. Mengubah mode citra menjadi grayscale, red, green, blue
Citra yang telah di-crop, kemudian dilakukan perhitungan dengan mengubah
mode citra menjadi grayscale, red, green, dan blue sehingga diperoleh nilai
histogram dari masing-masing mode.
6. Karakteristik ciri masing-masing citra

11

Nilai histogram yang didapat dari masing-masing mode selanjutnya dihitung
sehingga menghasilkan data ciri statistik orde satu. Menurut Meelursarn (2006)
dan Permadi dan Murinto (2015) nilai-nilai hasil dari eksktraksi ciri statistik
ordo pertama dihitung dengan beberapa parameter ciri statistik yang terdiri atas
nilai mean, skewness, variance, kurtosis, dan entrophy menggunakan persamaan
berikut:
�=∑
�
(2)
� =∑

� =� ∑
� =� ∑

� = −∑ �

−� �

(3)

−� �
−� �

. log �

(4)
−3

(5)
(6)

Dimana :
µ : mean (ukuran dispersi dari suatu citra)
fn : nilai intensitas keabuan
p(fn) : nilai histogram
σ2 : Variance (variasi elemen pada histogram)
σ3 : Skewness (tingkat kemencengan relatif kurva histogram)
σ4 : Kurtosis (ukuran ketidakteraturan bentuk)
H : Entropy
Ekstraksi ciri statistik ordo kedua yang terdiri atas nilai contrast, corelation,
energy, dan homogenity lebih banyak digunakan apabila ekstraksi ciri statistik ordo
pertama belum cukup mengenali perbedaan antar citra. Pada umumnya ekstraksi ciri
statistik ordo dua biasa disebut dengan gray level co-ocurrent matrix (GLCM) seperti
penelitian yang dilakukan Prabhu dan Kumar (2014) dan Yonghua dan Cong (2015)
yang dihitung dari matriks kookurensi rata-rata menggunakan persamaan berikut :
energy= ∑ ∑ {p i, j }

(7)

CON = ∑| − | i − j

[∑ ∑ {p i, j }]

homogenity = ∑ ∑

+ −

COR =

∑ ∑

, .p , −μ μ
σ σ

p i, j

(8)
(9)
(10)

Dimana :
 Energy (Angular Second Moment) : ukuran sifat homogenitas citra
 p(i,j) : nilai pixel pada baris I dan kolom J pada matriks kookurensi
 CON (contras) : ukuran penyebaran (momen inersia) elemen matriks citra
 COR (Correlation) : ukuran ketergantungan linear derajat keabuan citra
 µ x dan µ y : nilai standar deviasi pada elemen baris dan kolom pada matriks p(i,j).
 Homogenity (invers different moment) kehomogenan citra yang berderajat
keabuan sejenis

Identifikasi ciri morfologi dilakukan berdasarakan hasil pelabelan dan batas
tepi sehingga didapatkan nilai area, perimeter, metric, dan eccentricity. Nilai area

12

digunakan untuk menduga berat dari masing-masing biji melalui hubungan
korelasi antara luas area citra biji dan berat biji. Berdasarkan fitur area dan
perimeter dapat juga dihitung nilai- nilai fitur morfologi lainnya menggunakan
persamaan berikut (Mirnasari dan Adi 2013):
�

� =

=√ −

�

�×

(11)
(12)

Dimana :
Metric: besaran yang menunjukkan tingkat kebulatan bentuk suatu objek (nilai
: 0 hingga 1)
e (Eccentricity) : perbandingan panjang antara major dan minor axis
a : panjang dari major axis
b : panjang dari minor axis
7. Analisis KNN
Klasifikasi prediksi mutu inti sawit dilakukan menggunakan KNN.
Kombinasi dari data ciri statistik dan morfologi untuk mendapatkan ketepatan
prediksi yang terbaik dengan mengacu pada jumlah tetangga terdekat (k).
klasifikasi dilakukan terhadap dua parameter nilai akhir yang diinginkan, yaitu
persentase berdasarkan jumlah butir dan persentase berdasarkan massa (gram).
Konsep dasar Algoritma KNN akan mengklasifikasikan data masukan ke
dalam kelas dengan jumlah anggota terbanyak. Pada metode KNN,
penggunaan nilai k yang besar memiliki keuntungan, yaitu menyediakan
informasi probabilistik.
Pengembangan Perangkat Real Time
Real time image processing pada prinsipnya adalah menggabungkan antara
perangkat kamera web (web-cam), komputer dan perangkat pengambilan citra,
sehingga objek ditangkap oleh kamera, kemudian ditampilkan dalam layar
komputer, setelah itu gambar dapat di-capture dan langsung diolah citranya. Pada
penelitian ini kamera yang digunakan merupakan kamera handphone Samsung
Galaxy Mega 6.3 dengan spesifikasi kamera 8 MP. Hubungan kamera dan
komputer dilakukan dengan bantuan aplikasi droidcam client V.6 yang dapat di
download pada playstore. Aplikasi tersebut akan merubah fungsi kamera
handphone menjadi web-cam dengan prosedur sebagai berikut :
1) Download dan install aplikasi droidcam client V.6 pada personal computer
dan handphone
2) Sambungkan handphone dan personal computer menggunakan kabel USB
3) Dalam software matlab, proses akuisisi citra digital menggunakan webcam
dapat dilakukan dengan terlebih dahulu menginstal driver image acquisition
support packages for hadware adaptors
4) Setelah driver tersebut berhasil di-install, maka Software Matlab telah
support untuk melakukan akuisisi citra.

13

Penyiapan Sampel Inti Sawit
Pengambilan sampel inti sawit dilakukan secara acak sebanyak 5-10 kg dari
tumpukan inti sawit pada pabrik pengolahan kelapa sawit. Sampel yang diperolah
dibagi menjadi dua, selanjutnya dikemas ke dalam kantong kertas A dan kantong
kertas B untuk menghindari perubahan sifat fisik dan kimia pada saat pengujian di
laboratorium dan pengambilan citra. Sampel dari kelompok A dibawa ke
laboratorium pengujian untuk analisis kadar air dan kadar minyak sedangkan
sampel dari kelompok B dibagi menjadi dua bagian untuk data latih dan data uji.
Selanjutnya dilakukan pemisahan biji utuh, biji pecah, dan kotoran dari setiap
bagian tersebut seperti dapat dilihat pada Gambar 4.

(a)
(b)
(c)
Gambar 4 Klasifikasi inti sawit ; (a) utuh, (b) pecah, (c) kotoran
Setiap kelompok sampel yang telah dipisahkan ditimbang menggunakan
timbangan digital dengan ketelitian 0.01 gram dan dilakukan pengambilan citra.
Pelatihan Sistem Real Time Image Processing Menggunakan KNN
Pelatihan sistem bertujuan untuk memberikan pembelajaran sistem dalam
mengenali ciri fisik inti sawit utuh, pecah dan kotoran. Data latih digunakan
sebanyak 2426 biji (1217 gram) untuk kategori utuh 1070 biji, kategori pecah 805
biji, dan 551 kategori kotoran. Citra inti sawit diambil dengan menyusun tiap biji
utuh, pecah atau kotoran pada alat pengambilan citra. Citra yang diambil
selanjutnya dianalisis sehingga menghasilkan data ciri citra latih sedangkan pada
data uji akan menghasilkan data ciri citra uji. Hasil data latih dan data uji
selanjutnya akan diklasifikasi dengan KNN dengan mencari jarak terdekat antara
data yang akan dievaluasi dengan k tetangga (neighbour) terdekatnya dalam data
pelatihan. Selanjutnya untuk mengetahui kinerja KNN dilakukan analisis dan
evaluasi sehingga diketahui akurasi sistem. Diagram alir analisis citra dapat dilihat
pada Gambar 5.

14

Gambar 5 Diagram alir analisis citra
Pengujian Sistem Real Time Image Processing Menggunakan KNN
Pengujian sistem bertujuan utuk mengetahui kemampuan sistem dalam
memprediksi ketepatan pendugaan inti sawit berdasarkan kategori utuh, pecah,
atau kotoran. Pengujian dilakukan terhadap dua parameter nilai akhir yang
diinginkan, yaitu persentase berdasarkan jumlah butir dan persentase berdasarkan
massa (gram). Sampel yang digunakan sebagai data uji berbeda dengan citra inti
sawit yang digunakan sebagai data latih. Total sampel yang digunakan untuk data
latih adalah 2426 butir, yang terdiri dari 1070 butir kategori utuh, 805 butir
kategori pecah, dan 551 kategori kotoran. Pengujian sistem dilakukan melalui dua
tahap pengujian yaitu pengujian 1 dengan menyusun tiap kategori inti sawit utuh,

15

pecah, atau kotoran pada alat pengambilan citra dan pengujian 2 dengan menebar
campuran inti sawit utuh, pecah, dan kotoran pada alat pengambilan citra,
selanjutnya inti sawit utuh, pecah, dan kotoran dipisahkan secara manual dan
ditimbang. Jumlah sampel pada pengujian 1 terdiri atas inti sawit utu