Deteksi Kualitas Tembakau Madura Berbasis Image Processing Dan Sensor Gas
1. Pendahuluan
Berbagai metode telah digunakan untuk melakukan pengujian kualitas daun tembakau diantaranya adalah dengan menggunakan metode optimasi Conjugate Gradient pada algoritma Backpropagation Neural Network. Metode ini memanfaatkan input dari kamera yang mendeteksi tekstur dan ukuran dari sampel daun tembakau, kemudian mengklasifikasikannya dalam 3 kategori[2]. Penelitian lain yang masih berkaitan dengan image
Deteksi Kualitas Tembakau Madura
Berbasis Image Processing Dan Sensor Gas
Kunto Aji Wibisono＊a) , Ahmad Fiqhi Ibadillah
a)
Abstrak: Madura merupakan salah satu daerah penghasil tembakau di Indonseia. Tembakau Madura merupakan
jenis komoditi perkebunan yang memiliki nilai ekonomi tinggi. Sebagian besar tembakau madura diserap oleh pabrik rokok sebagai bahan baku utama rokok maupun sebagai racikan atau campuran kretek. Terdapat banyak jenis
varietas tembakau gunung yang ditanam petani di Madura, namun yang memiliki karakteristik khas adalah
tembaku Prancak – 95. Hal ini disebabkan aroma tembakau Prancak – 95 Madura tidak bias ditiru oleh jenis
varietas tembaku lain di Indonesia. Hal lain yang membedakan yaitu terjadi karena kontur atau struktur tanah
Madura yang memang khas, yang merupakan kelebihan dari tembakau Madura. Pada penelitian ini didesain sebuah
sistem gradding untuk mendeteksi kualitas tembakau Prancak – 95 madura. Deteksi kualitas daun tembakau ini
didasarkan pada dua ekstraksi fitur yaitu tekstur dan aromatik. Berdasarkan kedua fitur tersebut nantinya akan
diklasifikasikan dengan menggunakan tabel standard gradding tembakau ke dalam 4 kelas klasifikasi. Dari
percobaan yang dilakukan dengan menggunakan input kedua fitur didapatkan nilai akurasi yang optimal. Sehingga
berdasarkan data percobaan tersebut, dapat disimpulkan bahwa sistem telah dapat melakukan proses gradding
kualitas tembakau Madura dengan akurat.Kata-kata kunci : Tembakau Madura, Prancak – 95 Madura, gradding.
Diantara berbagai komoditas perkebunan, tembakau merupakan salah satu komoditas yang memiliki nilai ekonomi tinggi di banyak negara seperti China, India, Brazil, Amerika, Eropa, Zimbabwe, Malawi, Rusia dan juga Indonesia. Tembakau dapat digunakan sebagai pestisida, dalam bentuk nikotin tartrat dapat digunakan untuk obat, dan aplikasi olahan yang paling utama yaitu bahan baku rokok. Produksi rokok memberikan pengaruh besar pada perekonomian nasional Indonesia karena berkontribusi dalam penerimaan cukai .
Madura merupakan salah satu penghasil jenis tembakau terbaik di Indonesia, varietas tembakau Madura yang paling diminati oleh perusahaan industri rokok adalah jenis Prancak
feature ,dan texture feature[3]. Kedua metode tersebut
ekstraksi fitur gambar sampel untuk dapat melakukan klasifikasi dari daun tembaku. Fitur gambar yang digunakan sebagai classifier adalah color feature, shape
processing yaitu dengan memanfaatkan Image Feature Extraction . Metode ini dilakukan dengan mengambil
- – 95 Madura. Jenis ini memiliki karakteristik tekstur dan aroma yang khas sehingga cocok digunakan sebagai bahan baku utama maupun sebagai racikan atau campuran kretek.
Sedangkan faktor eksternal melalui human vision (pengamatan visual), meliputi pengamatan tekstur. Penentuan nilai kualitas daun tembakau dengan menggunakan parameter sensor manusia memiliki banyak kekurangan, diantaranya adalah tidak adanya sebuah nilai referensi yang absolut, sehingga penentuan level kualitas daun tembakau hanya berdasarkan perkiraan [1].
sensory (lebih pada penciuman) seperti pengujian aromatik.
73 Prosiding Seminar Nasional Teknologi Elektro Terapan 2017 Vol.01 No.01, ISSN: 2581-0049
mampu mendefinisikan level kualitas dari sampel daun tembakau yang digunakan dalam pengujian.
Pada penelitian ini akan didesain sebuah sistem deteksi kualitas daun tembakau Madura berdasarkan ekstraksi fitur visual dan aromatik. Penelitian ini juga diharapkan dapat meningkatkan akurasi deteksi kualitas daun tembakau dibandingkan pengukuran secara manual, ataupun dapat melampaui level optimasi dari penelitian sebelumnya yang hanya menggunakan komponen data visual dari kamera sebagai komponen input.
Sensor gas TGS 2620 digunakan sebagai komponen untuk mendeteksi aroma dari daun tembakau, sedangkan perangkat kamera digunakan untuk mendapatkan citra visual dari sampel daun tembakau yang dideteksi. Data hasil pembacaan dari sensor gas dan kamera, selanjutnya diproses berdasarkan spesifikasi aturan ＊ penentuan kualits tembakau Virginia untuk mendapatkan
Korespondensi
a) Prodi Tekni Elektro, Universitas Trunojoyo Madura, Jl.Raya Telang Kamal
Untuk lebih dapat meningkatkan nilai ekonomis dari tembakau Madura, maka perlu dilakukan penilaian terhadap kualitas daun tembaku yang melibatkan faktor internal dan eksternal. Faktor internal melibatkan human
2. Metode
C
× ….(2)
−
=
(Resistansi Sensor) dan V RL (tegangan pada resistansi beban)
S
Gambar 4. Konfigurasi rangkaian sensor gas TGS2610 Untuk respon output dari sensor ditunjukkan pada persamaan 2., dengan R
) yang dipasang secara seri. Konfigurasi wiring dari sensor gas TGS2620 ditunjukkan pada gambar 4.
L
) digunakan sebagai tegangan pengukuran yang dikombinasikan dengan besaran resistansi beban (R
C
) digunakan sebagai suplai elemen pemanas, yang bertujuan untuk mengurangi kadar air dari sampel gas deteksi, sehingga hasil pembacaan sensor lebih akurat. Sedangkan tegangan circuit (V
H
). Tegangan heater (V
) dan tegangan circuit (V
deteksi berupa klasifikasi level sampel daun tembakau madura yang dikelompokkan menjadi 4 kategori, yaitu kategori I (istimewa), kategori II (sangat bagus), kategori
H
Gambar 3. Bentuk fisik dan layout footprint sensor TGS2620 Sensor TGS 2620 membutuh dua jenis input tegangan , yaitu tegangan heater (V
IC menggunakan model standar TO – 5[8]. Bentuk fisik sensor gas TGS 2620 ditunjukkan pada gambar 3 berikut [6].
packaging
2.2 Sensor Gas TGS 2620 TGS 2620 adalah tipe sensor gas semikonduktor yang memiliki sensitivitas tinggi terhadap alkohol dan jenis uap zat organik, serta menggunakan konsumsi daya yang rendah dan memiliki daya pemakaian untuk jangka waktu yang relatif lama. Untuk mendukung proses deteksinya, sensor TGS2620 membutuhkan suplai arus untuk mengaktifkan komponen heater sebesar 56mA, sedangkan sebagai
( , ) = *( , ) ∥ ( , ) = , ( + , + ) = +…..(1) Gambar 2. Hasil ektraksi fitur warna pada gambar
Ekstraksi Fitur Tekstur Sebelum mendapatkan nilai entropy dari tekstur perlu dilakukan ekstraksi fitur tekstur pada citra objek daun tembakau. Ekstraksi fitur tekstur tersebut menggunakan metode grey level co
Mengesktraksi fitur warna bertujuan untuk mengetahui nilai warna RGB pada daun tembakau. Langkah awal sebelum mendapatkan nilai warna RGB pada objek daun tembakau adalah menghilangkan warna pada background dengan distance color threshold. Sehingga didapatkan hasil ekstraksi fitur yang menunjukkan warna objek daun tembakaunya saja, sedangkan untuk warna background akan hilang dan menjadi warna hitam atau warna biner 0 [5]. Contoh hasil metode ekstraksi fitur warna seperti yang ditunjukkan gambar 2.
Gambar 1. Hasil ektraksi fitur bentuk pada gambar Ekstraksi Fitur Warna
Untuk mendapatkan ekstraksi fitur bentuk dari gambar objek daun tembakau dilakukan konversi citra ke biner, mengisi region yang berlubang dan melakukan operasi morphologi dengan erosi dan dilasi. Dari ekstraksi bentuk dapat dilakukan perhitungan untuk mengetahui nilai luas, panjang dan lebar objek daun tembakau[4]. Nilai luas, panjang dan lebar ini akan mewakili ekstraksi bentuk daun tembakau agar dapat diklasifikasikan. Contoh hasil ekstraksi bentuk seperti yang ditunjukkan pada gambar 1.
dari daun tembakau ini kemudian diproses untuk mendapatkan klasifikasi mutu dari daun tembakau. Ekstraksi Fitur Bentuk
shape feature (fitur bentuk), color feature (fitur warna), dan texture feature (fitur tekstur). Hasil dari pembacaan fitur
2.1 Ekstraksi Fitur Dengan Image Processing Fitur dari daun tembakau yang bias diekstrak dengan menggunakan teknologi image processing adalah
III (bagus), kategori IV (cukup). Sehingga dengan mengetahui level kategori dari kualiatas daun tembakau yang dideteksi, diharapkan dapat membantu petani tembakau untuk terus meningkatkan kualitas dari varietas tanaman tembakau Madura. Selain itu dengan adanya standarisasi pada hasil produksi daun tembakau Madura, maka hal ini akan menambah nilai ekonomis sehingga dapat menembus pasaran tembakau internasional.
- – occurance matrix (GLM), yang
Menurut Badri , tanaman tembakau memiliki daun dengan pendekatan daerah yang bekerja dengan sebanyak 26 sampai 32 helai. Pemilihan daun tembakau menganalisis nilai warna dari tiap piksel pada citra dan yang baik atau sempurna bisa dilakukan melalui tes aroma, membagi citra tersebut sesuai dengan fitur yang diinginkan. kematangan berdasarkan kesempurnaan bentuk dan
Segmentasi citra dengan deteksi warna HSV menggunakan teksturnya [7]. dasar seleksi warna pada model warna HSV dengan nilai
Tabel 1 dan 2 menunjukkan skema klasifikasi daun toleransi tertentu. Pada metode segmentasi dengan deteksi tembakau berdasarkan aroma dan teksturnya yang sesuai warna HSV dilakukan pemilihan sampel piksel sebagai dengan standar nasional Indonesia (SNI) untuk tembakau acuan warna untuk membentuk segmen yang diinginkan. virginia. Pada tabel 2.1 merupakan standar klasifikasi daun
Citra digital menggunakan model warna RGB sebagai tembakau berdasarkan teksturnya. Sedangkan pada tabel 2 standar acuan warna, oleh karena itu proses awal pada menunjukkan klasifikasi dari rajangan daun tembakau, yang metode ini memerlukan konversi model warna RGB ke dikelompokkan dengan mendeteksi aromanya. Berdasarkan HSV. Untuk membentuk segmen sesuai dengan warna yang kriteria yang ditunjukkan pada tabel 1 dan 2 maka dapat diinginkan maka ditentukan nilai toleransi pada setiap dijadikan sebagai referensi untuk melakukan deteksi dimensi warna HSV, kemudian nilai toleransi tersebut kualitas dari sampel daun tembakau Prancak
- – 95 Madura. digunakan dalam perhitungan proses adaptive threshold.
Tabel ini yang selanjutnya dijadikan sebagai acuan untuk Hasil dari proses threshold tersebut akan membentuk menentukan grade dari kualitas tembakau berdasarkan segmen area dengan warna sesuai toleransi yang diinginkan. masukan dari sensor gas TGS2610 dan kamera. Secara garis besar, gambaran proses segmetnasi dapat dilihat pada Gambar 5 berikut.
Tabel 1. Standard SNI Mutu Tembakau Berdasarkan Bentuk
Gambar 5. Sistem Warna HSV (Hue, Saturation, Value) Variasi dari roda HSV digunakan untuk memilih warna yang diinginkan. Hue diwakili oleh lingkaran/keliling dalam roda. Sumbu horizontal menunjukan saturation dan sumbu vertical menunjukan value. Untuk mengambil suatu warna tertentu kita perlu menentukan dahulu hue dan kemudian kita baru memilih nilai saturation dan untuk brightness kita bisa memilihnya dari nilai value.
2.4 Sistem Klasifikasi Tembakau Padilla dalam Abdallah (1970) mendefinisikan
Tabel 2. Standard SNI Mutu Tembakau Berdasarkan Aroma bahwa mutu tembakau adalah gabungan dari sifat fisik, kimia, organoleptik dan ekonomi yang menyebabkan tembakau tersebut sesuai atau tidak untuk tujuan pemakaian tertentu. Mutu tembakau juga didefinisikan sebagai gabungan semua sifat kimia dan organoleptik yang dapat ditransformasi oleh perusahaan, pedagang, atau perokok yang secara ekonomis dan ditinjau dari rasa dapat diterima (Manuel Lanoscompany, 1985).
Beberapa grader (orang yang mempunyai kemampuan/ keahlian dan dipercaya oleh suatu perusahaan untuk menilai mutu/ grade tembakau) dalam melakukan penilaian mutu menggunakan penilaian berdasarkan warna, pegangan, dan aroma, kadang-kadang juga dilengkapi dengan dibakar dan dihisap asapnya untuk lebih meyakinkan (penentuan mutu dengan uji sensori). Tembakau sebagai bahan baku rokok ini memerlukan
3.1 Desain Ruang Pengujian Ruang pengujian merupakan ruang terisolasi yang dilengkapi dengan perangkat pengambilan data sample seperti kamera dan sensor gas TGS2620, serta perangkat penerangan homogeny yaitu lampu. Perangkat untuk melakukan pemprosesan data terdiri atas mikrokontroler dan PC / Laptop terinstalasi di luar dari ruang pengujian. Gambar 8. Implementasi penempatan kamera Bentuk layout ruang pengujian ditunjukkan pada gambar
3.3 Pengujian Sensor Gas TGS2610 6 berikut : Pengujian sensor ini dimaksudkan untuk mengetahui karakteristik sensor, serta mencari nilai keluaran sensor yang akan dimasukkan ke ADC. Pengujian didasarkan pada respon waktu dan respon perubahan resistansi sensor terhadap kadar aromatik tembakau yang dideteksi.
Pengujian respon waktu dimaksudkan untuk mengetahui waktu yang dibutuhkan sensor gas untuk mencapai nilai yang stabil pada saat kondisi awal sensor diaktifkan. Tabel 3 berikut menampilkan respon sensor waktu pertama kali
Gambar 6. Bentuk prototype ruang pengujian kualitas diaktifkan. daun tembakau
Tabel 3. Respon sensor terhadap waktu Pada penelitian ini terdapat beberapa perangkat antara lain :
Waktu (detik) Nilai ADC Tegangan
a) Sensor Gas TGS 2620 untuk mengidera aroma
1 963 4.702148438
daun tembakau
2 981 4.790039063
b) Mikrokontroller sebagai pengolah data dari sensor
Gas dan mentransfer data ke komputer
3 898 4.384765625
c) USB to Serial digunakan sebagai jembatan
4 838 4.091796875
komunikasi antara mikrokontroler dan computer
5 839 4.096679688
d) Sampel daun tembakau Prancak – 95 Madura dengan kategori kualitas yang berbeda
6 827 4.038085938
e) konektor digunakan untuk Kabel-kabel
7 816 3.984375
menghubungkan antara satu rangkaian elektronika
8 807 3.940429688
dengan rangkaian yang lain
9 801 3.911132813
3.2 Hasil Implementasi Ruang Pengujian
10 797 3.891601563
Gambar 7 menunjukkan bentuk ruangan pengujian mutu
11 792 3.8671875
kualitas tembakau yang didesain khusus dan dilengkapi dengan sensor TGS2610 dan kamera. Ruangan ini diset
12 789 3.852539063
dalam konfigurasi background hitam, dengan tujuan untuk
13 785 3.833007813
lebih memudahakan dalam melakukan prosesing gambar
14 784 3.828125 sampel.
Pada Gambar 8 ditunjukkan realisasi dari desain
15 781 3.813476563
penempatan kamera sebagai device capture image. Kamera
16 778 3.798828125
ditempatkan di bagian atas dari ruang pengujian dengan
17 779 3.803710938
level ketinggian yang statis. Hal ini ditujukan untuk menjaga konsistensi jarak kamera dengan sampel objek.
18 777 3.793945313 19 776 3.7890625 Kamera 20 774 3.779296875
21 773 3.774414063 Sensor TGS2610 22 772 3.76953125 23 770 3.759765625
Kontroller 24 768 3.75 25 766 3.740234375
26 764 3.73046875
Gambar 7. Implementasi ruang pengujian daun tembakau
27 765 3.735351563 28 762 3.720703125 Sebelum mendapatkan nilai entropy dari tekstur perlu
dilakukan ekstraksi fitur tekstur pada citra objek daun
29 765 3.735351563
tembakau. Ekstraksi fitur tekstur tersebut menggunakan operator. Sehingga didapatkan hasil ektraksi fitur seperti Tabel 3 menunujukkan hubungan antara waktu dan data Gambar 10 (b) berikut. ADC yang merupakan data hasil pembacaan sensor. Berdasarkan data yang ditunjukkan pada Tabel 2 terlihat bahwa pada saat detik awal terjadi kondisi nilai yang tidak stabil pada sensor. Nilai dari sensor menunujukkan trend nilai yang cenderung menurun. Kondisi ini berlangsung hingga detik yang ke – 25.
Sensor TGS2610 memerlukan waktu yang relatif
singkat unuk mencapai nilai yang stabil, waktu yang diperlukan adalah kurang lebih 29 detik. Hal ini disebabkan proses pemanasan heater yang terdapat pada bagian sensor.
Heater berfungsi untuk meminimalkan jumlah kandungan
kadar air pada gas yang didteksi. Sehingga dengan adanya (a) (b) sistem air conditioniner ini diharapkan dapat meningkatkan
Gambar 10. (a) Gambar tembakau sebelum diekstrak akurasi hasil deteksi gas oleh sensor.
(b) Gambar output tembakau setelah ekstraksi
Pada saat sensor mencapai keadaan yang stabil maka Fitur tekstur nilai yang ditunjukkan oleh ADC relative berada pada kondisi stabil, yaitu pada nilai 766
- – 762. Pada kondisi stabil inilah maka akan dijadikan patokan untuk kalibrasi pengukuran. Hal ini sesuai dengan pengujian yang
4. Kesimpulan
- – dilakukan oleh Luay Fraiwan, Khaldon Lweesy, Aya Bani Sistem deteksi kualitas tembakau yang dilengkapi dengan
Salma, dan Nour Mani (2011)[8]. Dalam penelitian tersebut sensor gas TGS2610. Instrumentasi sensor TGS2610 telah ditunjukkan bahwa nilai range sensor gas yang digunakan didesain dengan tepat sehingga mampu mendeteksi kadar untuk proses deteksi berada pada level tegangan antara 0,25 aromatic tembakau dalam level range pembacaan data
- – 3,73 volt. Nilai tersebut setara dengan besar data ADC 0 – antara 0
- – 776 , sehingga dapat mengenali jenis kualitas 764.
sample tembakau. Dengan metode feature extraction pada gambar dengan menggunakan kamera maka, sebelum
3.4 Pengujian Ekstraksi Fitur Bentuk dilakukannya klasifikasi grade daun tembakau, pada penelitian ini melakukan tahap image acquitition, image
Untuk mendapatkan ekstraksi fitur bentuk dari gambar
pre-processing dan feature extraction untuk mendapatkan
objek daun tembakau dilakukan konversi citra ke biner, dataset berupa nilai angka yang selanjutnya dilakukan mengisi region yang berlubang dan melakukan operasi tahapan klasifikasi. morphologi dengan erosi dan dilasi. Dari ekstraksi bentuk yang sudah didapatkan seperti Gambar 9 (a) dan (b) dapat dilakukan perhitungan untuk mengetahui nilai luas, panjang dan lebar objek daun tembakau. Nilai luas, panjang dan lebar ini akan mewakili ekstraksi bentuk daun tembakau agar dapat diklasifikasikan. Untuk mendapatkan nilai luas,
Daftar Pustaka panjang dan lebar.
[1]. Badri, M. H. S. A.; Anthana, M.; Hardika, K.. Standart Operasional Kultur Teknis Tembakau. Surakarta; 1994. [2]. Sari, Y., dkk. 2015, Optimasi Conjugate Gradient Pada
Backpropagation Neural Network untuk Deteksi Kualitas Daun Tembakau , Konfresnsi Nasional Sistem & Informatika, STIKOM Bali
[3].Zhang, X., dkk. 2008, Images Features Extraction of Tobacco Leaves, Congress on Image and Signal Processing, China
(a) (b) [4].Anilkumar.Muthevi., dkk. 2017, Leaf Classification Using Completed Local Binary Pattern Of Textures, IEEE 7th
Gambar 9. (a) Gambar tembakau sebelum diekstrak International Advance Computing Conference, India
(b) Gambar output tembakau setelah ekstraksi
[5].Zhang F, Zhang X. Classification and quality evaluation of Fitur bentuk tobacco leaves based on image processing and fuzzy comprehensive evaluation. Sensors (Basel, Switzerland).
- –84. [6] Figaro, (2005), General Information for TGS
Sensors. <URL:http://www.figarosensor.com> [7].Dinas Perkebunan Jawa Barat, Buku Pedoman Standarisasi
Mutu Tembakau: 2009 [8] Luay Fraiwan, Khaldon Lweesy, Aya Bani-Salma, Nour
Mani, “A Wireless Home Safety Gas Leakage Detection System”, IEEE ,pp. 11- 14, 2014.