JUSIBI (JURNAL SISTEM INFORMASI DAN E-BISNIS)
Volume 5.
Nomor 2.
Juli 2023 ISSN: Cetak 2655-7541/ Online 2745-5823 Deteksi Objek Kualitas Daun Sawi Menggunakan Metode HSV Color dan Color Blob Marissa Utami1.
Erwin Dwika Putra2 Universitas Muhammadiyah Bengkulu.
Bengkulu.
Indonesia1,2 marissautami@umb.
AbstrakAiSegmentasi warna merupakan pemisahan segmen dalam suatu citra ber-dasarkan warna yang terkandung dalam citra.
Dalam perkembangan sistem computer vision telah dilakukan berbagai macam metode untuk melakukan segmentasi warna seperti metode clustering dan metode indeks.
Pada penelitian ini penulis akan mencoba untuk melakukan segmentasi warna dengan metode color blob.
Ruang lingkup warna HSV terdiri dari 3 elemen yaitu Hue mewakili warna.
Saturation mewakili tingkat dominasi warna, dan Value mewakili tingkat kecerahan.
Dengan demikian metode ini cenderung mendeteksi warna dan tingkat dominasi serta kecerahannya.
Dari hasil penelitian maka dapat disimpulkan bahwa Metode Color HSV dan Color blob mendapatkan hasil akurasi 66,7 %, dengan tingkat kesulitan pem-isahan warna pada objek dengan latar belakang objek yang hampir sama AbstractAiColor segmentation is the separation of segments in an image based on the colors contained in the image.
In the development of computer vision systems, various methods have been carried out to segment colors such as clustering methods and index methods.
In this study, the author will try to segment colors with the color blob method.
The scope of HSV colors consists of 3 elements, namely Hue represents color.
Saturation represents the level of color dominance, and Value represents the level of brightness.
This method tends to detect colors and their degree of dominance and brightness.
From the results of the study, it can be concluded that the Color HSV Method and Color blob get an accuracy result of 66.
with the difficulty level of color separation on objects with almost the same object background KeywordsAiHSV.
Color.
Blob.
Detection Pendahuluan Perkembangan sistem visi komputer saat ini telah banyak dimanfaatkan dalam membantu manusia dalam proses pengenalan atau deteksi objek.
Proses pengenalan suatu objek merupakan pekerjaan yang cukup sulit sehingga dalam proses tersebut disarankan untuk mengimplementasikan teknologi Computer vision guna mengambil peranan untuk mengenali objek dalam suatu .
Ae .
Warna dan ukuran digunakan untuk mengetahui tingkat objek dan mutu suatu produk pertanian.
Warna dan ukuran merupakan parameter yang sering dilakukan pada kegiatan panen, sortasi, grading dan lain-lain.
Untuk mengetahui intensitas warna suatu produk selama ini masih dilakukan secara manual, https://jurnal.
id/index.
php/jusibi JUSIBI (JURNAL SISTEM INFORMASI DAN E-BISNIS) Volume 5.
Nomor 2.
Juli 2023 ISSN: Cetak 2655-7541/ Online 2745-5823 yang mengandalkan kemampuan panca indera penglihatan manusia.
Peran serta teknologi sangat dibutuhkan, terutama untuk kegiatan pascapanen pertanian.
Salah satu metode yang dapat digunakan adalah berdasarkan warna dan ukuran suatu produk hortikultura hasil pengolahan citra .
mage processin.
Ae .
Segmentasi warna merupakan pemisahan segmen dalam suatu citra berdasarkan warna yang terkandung dalam citra.
Dalam perkembangan sistem computer vision telah dilakukan berbagai macam metode untuk melakukan segmentasi warna seperti metode clustering dan metode indeks.
Pada penelitian ini penulis akan mencoba untuk melakukan segmentasi warna dengan metode color blob.
Ruang lingkup warna HSV terdiri dari 3 elemen yaitu Hue mewakili warna.
Saturation mewakili tingkat dominasi warna, dan Value mewakili tingkat kecerahan.
Dengan demikian metode ini cenderung mendeteksi warna dan tingkat dominasi serta kecerahannya .
Pengolahan citra digital adalah suatu disiplin ilmu yang memperlajari hal-hal yang berkaitan dengan perbaikan kualitas gambar .
eningkatan kontras, transformasi warna, restorasi citr.
, transformasi gambar .
otasi, skala, transformasi geometri.
, melakukan pemilihan citra ciri .
eatures image.
yang optimal untuk tujuan analisis, melakukan proses penarikan informasi atau deskripsi objek atau pengenalan objek yang terkandung pada citra, melakukan kompresi atau reduksi data untuk tujuan penyimpanan data, transmisi data dan waktu proses data.
Input dari pengolahan citra adalah citra, sedangkan output-nya adalah citra hasil pengolahan .
Pengolahan citra merupakan suatu metode atau teknik yang digunakan dengan jalan memanipulasi suatu citra/gambar yang diisikan pada obek tertentu untuk mendapatkaninformasi.
Ae .
Citra digital adalah gambar dua dimensi yang dihasilkan dari gambar analog dua dimensi yang kontinus menjadi gambar diskrit melalui proses sampling.
Agar dapat direpresentasikan secara numeric dengan nilai-nilai diskrit.
Representasi citra dari fungsi malar .
menjadi nilai-nilai diskrit disebut Citra yang dihasilkan inilah yang disebut digital (Digital Imag.
Ae .
Pengolahan citra digital (Digital Image Processin.
adalah sebuah disiplin ilmu yang mempelajari tentang teknik-teknik mengolah citra.
Citra yang dimaksud disini adalah gambar diam .
maupun gambar bergerak .
ang berasal dari webca.
Sedangkan digital disini mempunyai maksud bahwa pengolahan citra/gambar dilakukan secara digital menggunakan Komputer .
Image Processing merupakan istilah lain dari pengolahan citra.
Dalam pengertian umum, citra adalah gambar.
Dalam pengertian yang lebih khusus, citra adalah gambaran visual mengenai suatu objek atau beberapa objek.
Tentu saja, wujud citra dapat bermacam- macam, dari foto orang, gambar awan, hasil rontgen, hingga cita satelit.
Ae .
Image processing adalah proses untuk mengamati dan menganalisa suatu objek tanpa berhubungan langsung dengan objek yang diamati.
Proses dan https://jurnal.
id/index.
php/jusibi JUSIBI (JURNAL SISTEM INFORMASI DAN E-BISNIS) Volume 5.
Nomor 2.
Juli 2023 ISSN: Cetak 2655-7541/ Online 2745-5823 analisanya melibatkan persepsi visual dengan data masukan maupun data keluaran yang diperoleh berupa citra dari objek yang diamati .
Metodologi Penelitian Metode penelitian dimulai dengan pengumpulan data yang dibagi menjadi 2 tahapan yaitu proses data gambar dan studi literatur.
Selanjutnya data gambar akan diolah dan diproses pemisahan warna HSV agar mendapatkan warna kematangan objek, selanjutnya akan digunakan metode color blob detection untuk mendapatkan objek.
Pengumpulan Data A Data Testing A Data Training Pengolahan Data A Blob Detection Evaluasi A Confusion Matrix Gambar 1.
Alur Penelitian Fase Pengumpulan Data Gambar diambil dengan mengunkan camera handphone dengan jarak 10 cm, 20 cm, dan 50 cm.
masing-masing jarak diambil sampel gambar sebanyak 10 foto daun sawi.
Sehingga dari 3 jarak yang di ambil mendapatkan data gambar sebanyak 30 gambar.
Fase Studi Literatur merupakan cara untuk menyelesaikan persoalan dengan menelusuri sumber-sumber tulisan yang pernah dibuat sebelumnya.
Pengumpulan data dalam penelitian ini mengunakan studi literatur yang berasal dari jurnal-jurnal yang bekaitan dengan penelitian tentang pengolahan data gambar .
mage procesin.
jurnal yang digunakan adalah jurnal penelian tahun 2016 sampai 2021.
Dengan begitu dapat di digunakan untuk mencari ide atau sumber referensi dalam penelitian ini.
Fase Pendeteksian dari data 30 gambar sawi tersebut akan diolah mengunakan metode blob detection untuk mendeteksi objek daun sawi.
Fase Pengukuran pada metode blob detection mengunakan conversion matrix dengan melihat seberapa akurat kinerja sistem dibandingkan dengan pakar.
Confusion matrix berisi informasi mengenai hasil prediksi dan data aktual yang dilakukan oleh sistem klasifikasi.
https://jurnal.
id/index.
php/jusibi JUSIBI (JURNAL SISTEM INFORMASI DAN E-BISNIS) Volume 5.
Nomor 2.
Juli 2023 ISSN: Cetak 2655-7541/ Online 2745-5823 Hasil dan Pembahasan Proses pengambilan citra menggunakan kamera terkadang mengalami penurunan mutu, misalnya mengandung derau .
, kurang tajamnya, terjadi pengaburan .
, dan sebagainya.
Tentu saja citra semacam ini menjadi lebih sulit diinterpretasikan karena informasi yang disampaikan oleh citra tersebut berkurang.
Blob detection atau deteksi blob yaitu mendeteksi kumpulan titik-titik piksel yang memiliki warna berbeda .
ebih terang atau lebih gela.
dari latar belakang dan menyatukannya dalam suatu region.
Blob detection atau deteksi blob adalah mendeteksi kumpulan titik-titik piksel yang memiliki warna berbeda .
ebih terang atau lebih gela.
dari latar belakang dan menyatukannya dalam suatu region.
Dengan demikian, blob dapat didefinisikan sebagai suatu daerah yang memiliki nilai maksimal/minimal, bisa berupa satu kanal .
, atau multi warna .
pengolahan citra dimulai dengan proses thresholding, yaitu proses pemisahan citra berdasarkan batas nilai tertentu.
Dalam proses thresholding citra warna diubah menjadi citra biner.
Tujuan proses thresholding adalah untuk membedakan objek dengan latar belakangnya.
pada format *.
jpg, menjadi kapasitas warna abu-abu .
, dimanafungsi dari perubahan kapasitas warna ini untuk memudahkan dalam mendapatkan normalisasi histogram pada gambar dan dapat menerapkan metode otsu untuk mendapatkan nilai threshold dalam pemisahan dua varianswarna yaitu hitam dan putih.
Tahap ini bertujuan mempersiapkan dan memodifikasi citra agar kualitas dari citra meningkat yaitu dengan cara menerapkan proses binerisasi.
melalui Bahasa pemrogaman matlab akan dilakukan pendeteksian objek daun sawi dengan nama penyimpanan sawi01.
jpg, seperti yang ditandai dengan kotak merah, dalam melakukan deteksi menggunakan thresholding 128 dengan jarak pengambilan 20 CM.
https://jurnal.
id/index.
php/jusibi JUSIBI (JURNAL SISTEM INFORMASI DAN E-BISNIS) Volume 5.
Nomor 2.
Juli 2023 ISSN: Cetak 2655-7541/ Online 2745-5823 Gambar 2.
Deteksi Objek Selanjutnya dilakukan pengujian pengukuran mengunakan convension matrix dengan melihat seberapa akurat kinerja sistem.
Pengukuran akan dihitung setiap jarak yaitu jarak 20cm,30cm,50cm.
Pada pengujian objek jarak 20 cm banyak gambar yang akan dideteksi sebanyak 10 gambar.
Gambar tersebut meliputi file sawi01.
jpg sampai jpg, pada deteksi jarak 20 cm terdapat 5 gambar yang gagal terdeteksi dan 5 gambar berhasil dideteksi.
Tabel 1.
Hasil Pengujian pada objek yang bejarak 20 cm https://jurnal.
id/index.
php/jusibi JUSIBI (JURNAL SISTEM INFORMASI DAN E-BISNIS) Volume 5.
Nomor 2.
Juli 2023 ISSN: Cetak 2655-7541/ Online 2745-5823 Dari data pada table diatas Maka dapat dihitung nilai accuracy, precision, recall dan F-1 score.
Accuracy mennggambarkan seberapa akurat model dalam mengklasifikasikan dengan benar Accuracy = (TP TN) / (TP FP FN TN) = .
/ .
2 3 .
= 10 / 15 = 0.
= 0.
666 * 100 % = 66.
Precision menggambarkan akurasi antara data yang diminta dengan hasil prediksi yang diberikan oleh model.
Precision = (TP) / (TP FP) = 5 / .
= 0.
= 0.
71 * 100% = 71%
Recall atau sensitivity: menggambarkan keberhasilan model dalam menemukan kembali sebuah informasi.
Recall = TP / (TP FN) = 5 /.
= 0.
= 0.
625 * 100% = 62.
F-1 Score menggambarkan perbandingan rata-rata precision dan recall yang Accuracy tepat kita gunakan sebagai acuan performansi algoritma jika dataset kita memiliki jumlah data False Negatif dan False Positif yang sangat mendekati .
Namun jika jumlahnya tidak mendekati, maka sebaiknya kita menggunakan F1 Score sebagai acuan.
F-1 Score = .
* Recall * Precisio.
/ (Recall Precisio.
= .
* 0.
625 * 0.
71 ) / .
= 0.
888 / 1.
= 0.
67 *100%
= 67%
Pada pengujian objek jarak 30 cm banyak gambar yang akan dideteksi sebanyak 10 gambar.
Gambar tersebut meliputi file sawi11.
jpg sampai jpg, pada deteksi jarak 30 cm terdapat 1 gambar yang gagal terdeteksi dan 9 gambar berhasil dideteksi https://jurnal.
id/index.
php/jusibi JUSIBI (JURNAL SISTEM INFORMASI DAN E-BISNIS) Volume 5.
Nomor 2.
Juli 2023 ISSN: Cetak 2655-7541/ Online 2745-5823 Kesimpulan dan Saran Dari hasil penelitian maka dapat disimpulkan bahwa Metode Color HSV dan Color blob mendapatkan hasil akurasi 66,7 %, dengan tingkat kesulitan pemisahan warna pada objek dengan latar belakang objek yang hampir sama.
Serta diuji coba pada penelitian ini deteksi objek daun sawi tingkat keakuratan paling tinggi yaitu dengan jarak pengambilan sampel 50 cm dan yang paling rendah tingkat keakuratannya dengan pengambilan sampel berjarak 20
Daftar Pustaka