Resume Paper Prototype Aplikasi Untuk Mengukur Kematangan Buah Apel Berdasar Kemiripan Warna

Latar Belakang

Proses pemilihan produk hasil pertanian dan perkebunan umumnya dilihat berdasarkan persepsi dari manusia. Persepsi manusia tersebut cenderung membandingkan suatu benda berdasarkan warna yang terdapat dalam benda tersebut. Untuk dapat memilih produk yang belum matang, manusia akan membandingkannya dengan produk yang sudah matang. Hal tersebut dapat dilakukan dengan cara membandingkan komposisi warna dari produk yang dipilih dengan produk yang memang benar-benar sudah matang.

Sumber gambar : https://www.freepik.com

Komposisi warna dapat disajikan dalam bentuk histogram yang merepresentasikan distribusi jumlah piksel dalam suatu citra. Misalnya untuk mengetahui buah apel yang sudah matang dapat dilakukan dengan cara merubah komposisi warna dari buah apel kedalam histogram. Histogram tersebut kemudian akan dibandingkan dengan histogram dari buah apel yang sudah matang. Hal tersebut bertujuan untuk mengukur tingkat kematangan berdasarkan prosentase kemiripan histogram serta melakukan pemilahan terhadap penggolongan kematangan buah apel yang meliputi matang, mengkal, dan mentah.

Citra adalah representasi, kemiripan, atau imitasi dari suatu objek. Citra dalam bentuk keluaran system perekaman dapat bersifat optic dan berupa foto. Citra digital adalah citra yang dapat diolah oleh komputer. Yang disimpan dalam memori komputer hanyalah angka-angka yang menunjukkan besar intensitas pada masing-masing piksel. Karena berbentuk numeric maka citra digital dapat di olah melalui computer.

Setiap citra digital memiliki beberapa karakteristik, antara lain ukuran citra, resolusi, dan format nilainya. Umumnya citra digital berbentuk persegi panjang yang memiliki lebar dan tinggi tertentu. Ukuran ini biasanya dinyatakan dalam banyaknya titik atau pixel, sehingga ukuran citra selalu bernilai bulat. Untuk penampil secara visual, nilai data digital tersebut merepresentasikan warna dari citra yang diolah, dengan demikian format data citra digital berhubungan erat dengan warna. Format citra digital yang banyak dipakai adalah citra biner, skala keabuan(grey scale), warna, dan warna berindeks.

Citra skala keabuan memberi kemungkinan warna yang lebih banyak daripada citra biner, karena ada nilai-nilai lain di antara nilai minimum(hitam) dan nilai maksimumnya(putih). Banyaknya kemungkinan nilai-nilai tersebut berdasarkan dari jumlah bit yang digunakan. Misalnya untuk skala keabuan 6 bit maka jumlah kemungkinan nilainya ada 26 yaitu 64. Sedangkan nilai maksimumnya adalah 26-1 yaitu 63.

Pada citra warna, setiap titik mempunyai warna yang spesifik yang merupakan kombinasu dari 3 warna dasar, yaitu merah, hijau, dan biru. Format citra ini sering disebut sebagai citra RGB(red-green-blue). Setiap warna dasar memiliki intensitas warnanya sendiri dengan nilai maksimum 255 atau 8 bit. Dalam citra ini terdapat sampai lebih dari 16 juta kombinasi warna atau bisa dianggap mencakup semua warna.

Komposisi warna merupakan salah satu fitur yang dapat digunakan dalam sistem temu-balik citra. Komposisi warna dapat direpresentasikan dalam bentuk histogram. Histogram warna merepresentasikan distribusi jumlah piksel untuk tiap intensitas warna dalam citra. Untuk mendefinisikan histogram, warna di kuantisasi menjadi beberapa level diskrit, kemudian untuk tiap level tersebut dihitung jumlah piksel yang nilainya sesuai. Histogram citra dapat digunakan untuk menentukan skala keabuan dari suatu citra. Hal tersebut dapat dilakukan dengan cara mengatur parameter digitasi(dilebarkan atau disempitkan).

Dalam pembuatan histogram, nilai RGB yang punya range dari 0 sampai 255 akan punya kemungkinan kombinasi warna sebesar 16777216(didapat dari: 255 x 255 x 255). Pada proses komputasi, hal tersebut akan menghabiskan banyak waktu (time consuming). Masalah tersebut dapat diatasi dengan kuantisasi warna, yaitu suatu prosedur untuk mengurangi kemungkinan jumlah warna. Dengan proses tersebut jumlah warna dapat dikurangi sehingga proses akan menjadi lebih mudah.

Penggunaan nilai-nilai aktual distribusi warna pada distogram akan menimbulkan masalah jika diterapkan pada gambar yang mempunyai ukuran berbeda namun sebenarnya mempunyai distribusi warna yang sama. Ketika ada 2 gambar yang memiliki distribusi warna yang sama tetapi memiliki ukuran yang berbeda, maka hal tersebut membuat histogram dari kedua gambar menjadi berbeda. Untuk mengatasi masalah tersebut digunakan normalisasi histogram supaya histogram tidak bergantung pada ukuran gambar. Normalisasi histogram adalah proses untuk menghilangkan ketergantungan histogram terhadap ukuran gambar atau jumlah piksel.

Rumus

Dengan histogram dapat dicari citra yang memiliki kemiripan komposisi warna. Pengukuran tingkat kemiripan dilakukan dengan menghitung jarak antar histogram, dihitung dengan rumus jarak Euclidean.

dimana HA, HB adalah histogram citra A dan citra B

atau dapat dihitung dengan rumus :

dimana : r1, g1, dan b1 adalah komponen RGB dari warna pertama, sedangkan r2, g2, dan b2 adalah komponen RGB dari warna kedua.

Langkah-langkah

Untuk bahan percobaan digunakan 6 buah citra dalam format BMP, 24 bit truecolor, dengan ukuran 256 x 256 piksel dan resolusi 72 dpi. Tujuan dari aplikasi ini adalah membandingkan seberapa besar kemiripan dua buah citra berdasarkan histogram warnanya. Tetapi pada aplikasi ini hanya dapat membandingkan 2 buah citra saja, untuk dapat menentukan kematangan suatu buah apel dibutuhkan apel yang sudah matang sebagai pembanding. Berikut proses deteksi kemiripan citra pada aplikasi ini :

1. Mulai

2. Baca citra 1 dan citra 2

3. Kuantisasi warna citra 1 dan citra 2

4. Normalisasi citra 1 dan citra 2

5. Membuat histogram warna citra 1 dan citra 2

6. Hitung jarak antar histogram

7. Tampilkan prosentase kemiripan

8. Selesai

Secara umum, alur dari aplikasi ini yaitu mengambil objek yang berupa citra untuk dilihat histogramnya. Sebelum dibuat histogram dilakukan kuantisasi warna dan normalisasi. Langkah berikutnya melihat histogramnya kembali. Proses dilanjutkan dengan membandingkan kedua histogram warna tadi dengan mengukur jarak histogram menggunakan cara yang sering digunakan yaitu Euclid. Hasil pencarian akan ditampilkan dengan keterangan berupa tingkat kemiripan beserta keterangan kematangan buah.

Langkah-langkah untuk melakukan percobaan adalah :

1. Tekan tombol Ambil Citra 1 untuk membuka citra pertama. Secara otomatis akan dibuat histogram warna untuk citra pertama.

2. Tekan tombol Ambil Citra 2 untuk membuka citra kedua. Secara otomatis pula akan dibuat histogram warna untuk citra kedua.

3. Langkah berikutnya adalah menghitung kemiripan citra pertama dan kedua dengan menekan tombol Proses. Jika baru satu citra yang dibuka atau bahkan belum ada citra yang dibuka akan muncul peringatan ‘Baru 1 citra yang dibuka’ atau ‘Belum ada citra yang dibuka’. Namun, jika citra 1 dan citra 2 sudah dibuka maka akan dapat ditampilkan nilai kemiripan dua buah citra tersebut.

Hasil

Hasil percobaan deteksi kemiripan pada koleksi citra menunjukkan bahwa citra yang memiliki kemiripan distribusi warna dengan citra query memiliki nilai jarak yang kecil. Semakin besar nilai jaraknya maka semakin tidak mirip distribusi warnanya. Citra yang sama persis akan menghasilkan nilai jarak nol. Penilaian kesesuaian antara nilai jarak dengan kemiripan citra bersifat subyektif, artinya tergantung pada persepsi seseorang terhadap citra. Hasil percobaan ini mencari kemiripan distribusi warna, bukan pada bentuk obyek atau tekstur.