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.
a b
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 1
1 BPM 24
2 2
IRR 5 3
3 IRR 39
4 4
IRR 42 5
5 IRR 104
6 6
IRR 107230 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.
Gambar 4.6 Hasil Identifikasi Bibit Unggul Daun Tanaman Karet
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 3 90.8337
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 3 88.3568
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 4 91.1939
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 10
IRR 220 68.6003 - 86.7628
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.