3

II. TINJAUAN PUSTAKA

A. KOPI

Coffee atau kopi dalam bahasa Indonesia secara luas dikenal sebagai

stimulan yang dibuat dari biji kopi. Kopi pertama kali dikonsumsi orang di abad

ke-9 di daerah dataran tinggi Ethiopia, dari sana lalu menyebar ke Mesir dan

Yaman lalu di abad ke-15 menyebar ke Armenia, Persia, Turki, dan Afrika Utara.

Tanaman kopi tergolong dalam famili Rubiaceae, sub famili Cinchonoides, genus

Coffea L., sub genus Coffea. Sub genus Coffea lebih banyak dikembangkan karena

paling menguntungkan (Najiyati dan Danarti, 1998). Ada dua spesies dari tanaman

kopi yaitu kopi Arabika (Coffea arabica) adalah kopi tradisional, dan dianggap

paling enak rasanya, kopi Robusta (Coffea connephora) memiliki kafein yang

lebih tinggi dapat dikembangkan dalam lingkungan dimana Arabika tidak akan

tumbuh. Dan kedua jenis kopi ini yang paling banyak diperdagangkan di

Indonesia. Jenis kopi yang paling banyak ditanam di Indonesia adalah kopi

Robusta. Kopi Arabika tumbuh pada ketinggian tempat lebih dari 600 m dpl (Ky

dkk, 2001).

Jika dilihat dari mutu kopi Robusta berada dibawah kopi Arabika. Jumlah

pasokan kopi Arabika di dalam pasokan dunia sekitar 70 persen. Sedangkan kopi

Robusta sekitar 24 persen dan sisanya diisi oleh kopi jenis Liberica dan Excesa.

Produksi kopi, ekspor, dan negara tujuannya dapat dilihat pada Tabel 2 dan Tabel

3.

Tabel 2. Ekspor negara tujuan Indonesia tahun 2002-2005

Negara Tahun (ton)

2002 2003 2004 2005

Amerika Serikat 43 243 48 239 73 288 84 426

Jepang 56 879 52 720 55 141 49 936

Jerman 53 562 57 608 53 936 78 755

Italia 15 011 25 086 21 348 30 500

Singapura 12 642 8 935 10 561 13 276

Total 181 337 192 588 214 274 256 893 Sumber : Direktorat jendral perkebunan (2006) dalam Rosadi (2007)

4

Tabel 3. Jumlah produksi dan ekspor kopi Indonesia tahun 2000-2005

Tahun Ekspor (ton) Produksi (ton)

2000 340 887 554 574

2001 250 818 569 234

2002 325 009 682 019

2003 323 520 671 255

2004 344 077 647 385

2005 445 829 640 365 Sumber : Direktorat jendral perkebunan (2006) dalam Rosadi (2007)

Biji kopi Robusta dan Arabika dapat dibedakan dengan nyata secara

makroskopis. Biji kopi Arabika lebih besar dari biji kopi robusta. Panjang biji kopi

arabika sekitar 8-12 mm dan lebar 6-8 mm, rasio panjang dan lebar 6-7 mm

dengan rasio 1.0-1.15. Buah kopi mempunyai kisaran berat antara 100 mg sampai

200 mg dan densitas antara 1.15-1.42 (Asiedue, 1989 dalam Sofi’i, 2005).

Tabel 4. Komposisi kimia biji kopi kering

No Komponen Jumlah (%)

1 Air 11-12

2 Kafein 1-2

3 Lemak 12-13

4 Gula 8-9

5 Selulosa 18-19

6 Senyawa yang mengandung N 12-13

7 Senyawa yang tidak mengandung N 33-34

8 Abu 3-4

Sumber : Zaini A (2009)

Gambar 1. Biji kopi beras

5

B. STANDAR MUTU KOPI

Sebelum kopi dipasarkan, baik untuk dipasarkan di dalam negeri maupun di

luar negeri, biji kopi harus disortasi terlebih dahulu menurut standar mutu yang

telah ditetapkan.

Standar Nasional Indonesia (SNI) biji kopi nomor 01-2907-2008 yang

merupakan revisi SNI 01-2907-1999, Biji kopi. Standar ini dirumuskan oleh

Panitia Teknis 65-03 Pertanian. Standar ini disusun dan direvisi berdasarkan

perkembangan pasar global, seperti sebagian Resolusi ICO 407 serta

mempertimbangkan persyaratan internasional. Dalam resolusi ICO 407

ditegaskan mengenai larangan perdagangan kopi mutu rendah yang diberlakukan

sejak tanggal 1 Oktober 2002.

Untuk mengantisipasi hal tersebut perlu dilakukan peningkatan mutu kopi

Indonesia melalui penerapan standar mutu dan harmonisasi antara standar mutu

kopi Indonesia dan standar mutu kopi dunia. Oleh karena itu dalam revisi SNI

2907-1999 dilakukan penyempurnaan terutama mengenai persyaratan mutu kopi.

Beberapa pokok ketetapan mengenai Standar Nasional Indonesia (SNI) biji

kopi nomor 01-2907-2008 adalah :

1. Berdasarkan jenis kopi dapat dibedakan kedalam : kopi Robusta dan kopi

Arabika.

2. Berdasarkan cara pengolahannya, kopi dapat digolongkan kedalam 2 jenis :

kopi pengolahan kering dan kopi pengolahan basah.

3. Berdasarkan nilai cacatnya, kopi dapat digolongkan menjadi 6 tingkat mutu.

Untuk kopi Robusta mutu 4 terbagi dalam sub tingkat mutu 4a dan 4b. Tiap

jenis mutu dapat lebih diperjelas dengan identifikasi lebih lanjut dan

disebutkan daerah asalnya.

4. Ketentuan umum syarat mutu :

4.1. Syarat umum

6

Tabel 5. Syarat mutu umum

No Kriteria Satuan Persyaratan

1 Serangga hidup Tidak ada

2 Biji berbau busuk dan

atau berbau kapang

Tidak ada

3 Kadar air % fraksi massa Maks 12.5

4 Kadar kotoran % fraksi massa Maks 0.5 Sumber : Badan standar nasional Indonesia

4.2. Syarat khusus

Tabel 6. Syarat penggolongan mutu kopi Robusta dan Arabika berdasarkan nilai

cacat

Mutu Persyaratan

Mutu 1 Jumlah nilai cacat maksimum 11*

Mutu 2 Jumlah nilai cacat 12 sampai dengan 25

Mutu 3 Jumlah nilai cacat 26 sampai dengan 44

Mutu 4a Jumlah nilai cacat 45 sampai dengan 60

Mutu 4b Jumlah nilai cacat 61 sampai dengan 80

Mutu 5 Jumlah nilai cacat 81 sampai dengan 150

Mutu 6 Jumlah nilai cacat 151 sampai dengan 225 Sumber : Badan standar nasional Indonesia

CATATAN : Untuk kopi Arabika mutu 4 tidak dibagi menjadi sub mutu 4a dan

4b. Tanda bintang untuk kopi Peaberry dan Polyembrio.

Mutu biji kopi berdasarkan nilai cacat yang dihitung dari contoh uji seberat

300 gram. Jika satu biji kopi mempunyai lebih dari satu nilai cacat, maka

penentuan nilai cacat tersebut didasarkan pada bobot nilai cacat terbesar.

Persyaratan ukuran biji kopi dapat dilihat pada Tabel 7 dan nilai cacat biji kopi

dapat dilihat pada Tabel 8.

Tabel 7. Persyaratan ukuran biji kopi

Ukuran Syarat mutu

Besar Tidak lolos ayakan lubang bulat diameter 7.5 milimeter

Sedang Lolos ayakan lubang bulat diameter 7.5 milimeter

Tidak lolos ayakan lubang bulat diameter 6.5 milimeter

Kecil Lolos ayakan lubang bulat diameter 6.5 milimeter

Tidak lolos ayakan lubang bulat diameter 5.5 milimeter

Sumber : Badan standar nasional Indonesia

7

Tabel 8. Penentuan besarnya nilai cacat biji kopi

No Jenis cacat Nilai cacat

1 1 (satu) biji hitam 1 (satu)

2 1 (satu) biji hitam sebagian ½ (setengah)

3 1 (satu) biji hitam pecah ½ (setengah)

4 1 (satu)kopi gelondongan 1 (satu)

5 1 (satu) biji cokelat ¼ (seperempat)

6 1 (satu) kulit kopi ukuran besar 1 (satu)

7 1 (satu) kulit kopi ukuran sedang ½ (setengah)

8 1 (satu) kulit kopi ukuran kecil 1/5 (seperlima)

9 1 (satu) biji berkulit tanduk ½ (setengah)

10 1 (satu) kulit tanduk ukuran besar ½ (setengah)

11 1 (satu) kulit tanduk ukuran sedang 1/5 (seperlima)

12 1 (satu) kulit tanduk ukuran kecil 1/10(sepersepuluh)

13 1 (satu) biji pecah 1/5 (seperlima)

14 1 (satu) biji muda 1/5 (seperlima)

15 1 (satu) biji berlubang satu 1/10(sepersepuluh)

16 1 (satu) biji berlubang lebih dari satu 1/5 (seperlima)

17 1 (satu) biji bertutul-tutul 1/10(sepersepuluh)

18 1 (satu) ranting, tanah, atau batu berukuran besar 5 (lima)

19 1 (satu) ranting, tanah, atau batu berukuran sedang 2 (dua)

20 1 (satu) ranting, tanah, atau batu berukuran kecil 1 (satu) Sumber : Badan standar nasional Indonesia

Selain dilaksanakan uji mutu melalui defect system, juga harus diikuti

dengan uji cita rasa (cup taste test). Cacat cita rasa dapat meliputi :

1. Earthy : berbau tanah, paling banyak dijumpai pada kopi asalan dari petani.

2. Mouldy : berbau jamur akibat penanganan yang kurang baik, kandungan kadar

air masih tinggi menyebabkan jamur masuk.

3. Fermented : berbau busuk, sebagai akibat jelek dari pengolahan secara basah

yang tidak sempurna.

4. Musty : berbau lumut.

Standar mutu kopi yang sering digunakan untuk perdagangan dalam

perdagangan internasional mengikuti standar SCAA (Specialty Coffee Association

of America) dan metode klasifikasi green coffee Brazil/New York. Standar

klasifikasi biji kopi hijau yang disediakan oleh SCAA adalah metode yang sangat

baik untuk membandingkan biji kopi. Sistem ini unggul dari beberapa sistem

lainnya dalam hubungan antara biji kopi cacat dan biji kopi kelas tinggi.

8

Metode pemutuan biji kopi menurut SCAA adalah : biji kopi sebanyak 300

gram dikuliti kemudian diurutkan dengan menggunakan ayakan dengan ukuran

lubang 14/64 inci, 15/64 inci, 16/64 inci, 17/64 inci, dan 18/64 inci. Biji kopi

yang tersisa di setiap ayakan ditimbang dan persentasenya dicatat. Cara

pengklasifikasian dengan menggunakan sampel sebanyak 300 gram kopi ini

sangat memakan waktu, sehingga biasanya hanya 100 gram kopi yang digunakan.

Jika berurusan dengan kopi kelas tinggi dengan hanya beberapa cacat, maka

digunakan 300 gram. Jika kopi kualitas yang lebih rendah dengan banyak cacat,

100 gram biasanya cukup dalam klasifikasi yang tepat baik sebagai Below

Standard Grade atau Off Grade.

Kelas mutu yang ditetapkan oleh SCAA terbagi atas 5 kelas mutu yaitu

sebagai berikut :

1. Specialty Grade Green Coffee (1) : khusus biji kopi hijau tidak memiliki lebih

5 penuh cacat dari 300 gram kopi. Tidak diperbolehkan adanya cacat primer.

Toleransi maksimal 5 persen di atas atau di bawah ukuran ayakan yang

ditunjukan. Kopi harus memiliki setidaknya satu ciri-ciri khusus pada tubuh,

rasa, aroma, atau keasaman. Harus bebas dari kesalahan dan cacat/noda.

Kadar air antara 9-13 persen.

2. Premium Coffee Grade (2) : kelas mutu kopi premium harus tidak lebih dari 8

penuh cacat dalam 300 gram. Cacat primer diperbolehkan dengan toleransi

maksimal 5 persen di atas atau di bawah ukuran ayakan yang ditunjukkan.

Harus memiliki setidaknya satu ciri-ciri khusus pada tubuh, rasa, aroma, atau

keasaman. Kadar air antara 9-13 persen.

3. Exchange Coffee Grade (2) : pada grade ini kopi yang cacat harus tidak lebih

dari 9-23 penuh cacat dalam 300 gram. Berdasarkan beratnya harus 50 persen

di atas ukuran ayakan 15 dengan tidak lebih dari 5 persen dari ukuran ayakan

di bawah 14. Kadar air antara 9-13 persen.

4. Below Standard Grade (3) : 24-86 cacat dari 300 gram.

5. Off Grade (5) : lebih dari 86 cacat dari 300 gram.

9

Pada Tabel 9 dan Tabel 10 merupakan bagan pemutuan biji kopi menurut

SCAA yang didasarkan pada cacat utama dan jumlah biji kopi yang cacat.

Tabel 9. Cacat primer

Cacat primer Nilai cacat

Biji hitam penuh 1

Biji asam 1

Kulit kopi 1

Batu besar 2

Batu sedang 5

Ranting besar 2

Ranting sedang 5 Sumber : http://coffeeresearch.org./coffee/scaaclass.htm

Tabel 10. Cacat sekunder

Cacat sekunder Nilai Cacat

Perkamen 2-3

Sekam 2-3

Biji pecah 5

Serangga 2-5

Biji hitam sebagian 2-3

Biji asam sebagian 2-3

Floater 5

Kulit kopi 5

Batu kecil 1

Ranting kecil 1

Kerusakan air 2-5 Sumber : http://coffeeresearch.org./coffee/scaaclass.htm

Menurut Siswoputranto (1993), aspek-aspek yang diperhatikan dalam

penetapan standar terutama mengenai :

1. Ukuran biji kopi dan keseragaman ukuran, aspek yang sangat diperhatikan

pabrik-pabrik dalam kaitan dengan hasil penyanggraian yang seragam masak

tanpa ada yang gosong ataupun kurang masak.

2. Cacat yang terlihat dari warna : biji hitam, biji berbintik-bintik, biji berwarna

coklat.

3. Cacat biji karena biji pipih, biji pecah, biji berlubang akibat serangan hama.

4. Cacat karena biji berkapang akibat pengeringan biji kopi yang tidak dilakukan

dengan baik.

10

Menurut Edizal (1992), jenis cacat yang mendominasi biji kopi di Indonesia

adalah biji kopi hitam, biji kopi coklat, biji kopi hitam sebagian, biji kopi pecah,

dan biji kopi berlubang. Cacat ini bersumber dari pengolahan kopi baik pra

maupun pasca panen. Faktor yang menyebabkan timbulnya biji hitam adalah

sistem panen yang kurang efektif, sehingga buah kopi yang masih muda ikut

terpetik.

Sortasi ekspor agar dapat memenuhi kebutuhan pasaran dunia dilakukan

usaha seperti berikut :

1. Biji harus bersih, tidak tercampur pecahan kulit dan kotoran lain. Sebab

kotoran-kotoran itu akan menambah berat dan juga bila turut dimasak akan

mengurangi rasanya.

2. Hendaknya jangan sampai terdapat biji-biji pecah, biji-biji hitam atau yang

terserang oleh hama busuk.

3. Biji-biji harus seragam dalam ukuran, bentuk dan warnanya. Misalnya yang

berukuran besar akan lebih disukai.

4. Biji kopi yang kulitnya kisut adalah merupakan tanda bahwa mereka itu

berasal dari buah muda atau belum masak benar.

5. Biji-biji kopi yang berasal dari berjenis-jenis kopi akan berlainan pula

warnanya, misalnya :

- Biji kopi Robusta berwarna hijau muda atau hijau kekuning-kuningan

- Biji arabika berwarna hijau kebiru-biruan

- Biji Liberica, Hybrid, Excesa berwarna kuning

6. Tidak boleh berbau jamur. Hal ini terjadi oleh karena penyimpanan biji kopi

kurang baik, misalnya dalam gudang yang lembab (Ciptadi, W dkk 1985).

C. PENGOLAHAN CITRA

Pengertian pengolahan citra (image processing) sedikit berbeda dengan

pengertian mesin visual (machine vision), meskipun keduanya seolah-olah dapat

dipergunakan dengan maksud yang sama. Terminologi pengolahan citra

dipergunakan bila hasil pengolahan data yang berupa citra, adalah juga berbentuk

citra yang lain, yang mengandung atau memperkuat informasi khusus pada citra

11

hasil pengolahan sesuai dengan tujuan pengolahannya. Sedangkan terminologi

mesin visual digunakan bila data hasil pengolahan citra langsung diterjemahkan

dalam bentuk lain, misalnya grafik yang siap diinterpresentasikan untuk tujuan

tertentu, gerak peralatan atau bagian dari peralatan mekanis, atau aksi lainnya

yang berarti bukan merupakan citra lagi (Ahmad, 2005).

Pengolahan citra merupakan proses pengolahan dan analisis citra yang

banyak melibatkan persepsi visual. Proses ini mempunyai ciri data masukan dan

informasi keluaran yang berbentuk citra. Istilah pengolahan citra digital secara

umum didefinisikan sebagai pemrosesan citra dua dimensi dengan komputer.

Dalam definisi yang lebih luas, pengolahan citra digital juga mencakup semua

data dua dimensi. Citra digital adalah barisan bilangan nyata maupun kompleks

yang diwakili oleh bit-bit tertentu.

a. Perangkat Keras Pengolahan Citra

Pengolahan citra digital dipengaruhi oleh jenis perangkat keras dan

perangkat lunak yang digunakan. Komponen utama dari perangkat keras citra

digital adalah komputer dan alat peraga. Perangkat keras pengolahan citra

terdiri dari beberapa subsistem yaitu komputer, masukan video, keluaran

video, kontrol proses interaktif penyimpanan berkas citra, dan perangkat keras

sistem pengolahan citra.

Salah satu perangkat keras adalah sensor citra. Banyak macam sensor

citra yang digunakan, namun saat ini yang sering digunakan adalah solid state

image sensor karena mempunyai banyak kelebihan seperti konsumsi daya

listrik yang kecil, ukuran kecil dan kompak, tahan guncangan dan sebagainya.

Sensor jenis ini dapat diklasifikasikan berdasarkan caranya melakukan

scaning, yang umumnya dibedakan menjadi dua jenis yaitu : Charge-Couple

Device (CCD) dan Metal-Oxide Semiconductor (MOS).

CCD adalah chip silikon yang terbentuk dari ribuan atau bahkan jutaan

diode fotosensitif yang disebut photosites atau orang menyebutnya piksel.

Tiap photosite menangkap satu titik objek untuk kemudian dirangkai dengan

hasil tangkapan photosite lain menjadi gambar (Setiawan, 2004).

12

Perangkat lainnya yang diperlukan adalah unit display untuk memonitor

citra yang ditangkap oleh kamera, menampilkan citra yang sudah diproses,

baik hasil antara maupun hasil akhir, dan sebagainya. Kualitas citra yang

dihasilkan dan ditampilkan tidak hanya tergantung pada kualitas monitor,

tetapi juga pada jenis dan kemampuan penangkap bingkai citra yang

digunakan, serta perangkat lunak yang menyertainya (Ahmad, 2005).

b. Perangkat Lunak Pengolahan Citra

Perangkat lunak (software) yang digunakan pada image processing

tergantung pada jenis image frame grabber yang digunakan. Biasanya setiap

pembelian paket image digitizer, paket tersebut telah dilengkapi dengan

perangkat lunak untuk menggunakannya.

Secara umum, pemograman pengolahan citra dapat dibedakan menjadi

dua, yaitu program tunda, dimana program yang dibuat melakukan manipulasi

dan analisis citra yang sudah direkam atau disimpan dalam bentuk file

sebelumnya, bukan yang langsung ditangkap oleh kamera. Program jenis ini

memanggil file citra yang sudah disimpan berupa bingkai citra ke dalam

memori komputer, melakukan manipulasi atau perhitungan terhadap data

dalam memori, menyimpan kembali data hasil manipulasi dalam file citra

baru, atau menampilkan (menyimpan) data hasil ekstraksi citra. Program jenis

ini dapat dijalankan tanpa perangkat kamera TV dan kartu penangkap citra,

jadi hampir dapat dipastikan bahwa program tersebut dapat digunakan di

sembarang komputer dengan sistem operasi yang kompatibel dengan sistem

operasi dimana program tersebut dibuat. Jenis program yang lain adalah

program live atau lebih dikenal dengan sebutan real-time program, yaitu

program yang menangkap citra, memindahkan bingkai kedalam memori

komputer, melakukan analisis dan perhitungan, dan menghasilkan citra lain

atau lebih sering lagi suatu keputusan, tergantung pada tujuannya. Keputusan

ini biasanya digunakan untuk melakukan aksi, misalnya memberi predikat

pada obyek yang diambil citranya seperti pada sistem sortasi, atau

13

menggerakkan manipulator untuk memetik buah pada robot pemanen buah,

dan sebagainya (Ahmad, 2005).

c. Fitur-Fitur Pengolahan Citra

Fitur-fitur pengolahan citra meliputi :

1. Segmentasi Citra

Segmentasi citra merupakan suatu proses pengelompokkan citra

menjadi beberapa region berdasarkan kriteria tertentu. Berdasarkan

pengertian, segmentasi memiliki tujuan menemukan karakteristik khusus

yang dimiliki suatu citra. Oleh karena itulah, segmentasi sangat diperlukan

pada proses pengenalan pola. Semakin baik kualitas segmentasi maka

semakin baik pula kualitas pengenalan polanya.

Secara umum ada beberapa pendekatan yang banyak digunakan

dalam proses segmentasi antara lain :

a. Teknik threshold, yaitu pengelompokkan citra sesuai dengan distribusi

properti piksel penyusun citra.

b. Teknik region-based, yaitu pengelompokkan citra kedalam region-

region tertentu secara langsung berdasar persamaan karakteritik suatu

area citranya.

c. Edge-based methods, yaitu pengelompokkan citra kedalam wilayah

berbeda yang terpisahkan karena adanya perbedaan perubahan warna

tepi dan warna dasar citra yang mendadak.

Pendekatan pertama dan kedua merupakan contoh kategori

pemisahan image berdasarkan kemiripan area citra, sedangkan pendekatan

ketiga merupakan salah satu contoh pemisahan daerah berdasarkan

perubahan intensitas yang cepat terhadap suatu daerah.

Proses perhitungan beberapa fitur citra dilakukan pada citra biner,

seperti pengukuran area, jarak, titik pusat, dan faktor bentuk. Oleh karena

itu sebelum dilakukan variabel di atas, proses segmentasi perlu dilakukan.

14

2. Area

Area merupakan salah satu ciri umum yang dapat digunakan untuk

mengenali obyek. Area suatu biji mencerminkan ukuran atau berat biji

sesungguhnya. Area merupakan luas dari suatu obyek yang dinyatakan

dalam satuan piksel. Pengetahuan tentang area sangat membantu dalam

mengidentifikasi obyek jika dibandingkan dengan noise. Noise umumnya

memiliki ukuran jauh lebih kecil dari obyek. Dalam pengolahan citra

digital, area dapat digunakan pula sebagai salah satu penentuan standar

mutu produk.

3. Perimeter

Perimeter adalah batas daerah yang dimiliki oleh suatu region

terhadap background. Region adalah sekumpulan piksel yang terkoneksi

satu sama lain dan mempunyai sifat yang secara umum sama. Jika S

merupakan region dan S’ merupakan background, maka batas daerah

merupakan sekumpulan piksel dari yamg mempunyai 4-tetangga dari S’.

Bagian dari region yang bukan merupakan batas daerah disebut dengan

interior.

4. Faktor Bentuk

Faktor bentuk merupakan salah satu sifat geometri. Umumnya faktor

bentuk merupakan suatu rasio antara area dengan perimeter atau rasio

antara area dengan panjang maksimal suatu citra. Ada dua faktor bentuk

yang umum digunakan yaitu compactness (kekompakan) dan roundness

(kebundaran). Ukuran dari dua macam faktor bentuk ini dapat digunakan

untuk menentukan jenis suatu obyek dari suatu citra, ataupun digunakan

sebagai patokan mutu suatu jenis objek.

5. Pengolahan Warna

Format data citra digital berhubungan erat dengan warna. Pada

kebanyakan kasus, terutama untuk keperluan penampilan secara visual,

nilai data digital merepresentasikan warna dari citra yang diolah. Format

15

citra digital yang banyak dipakai adalah citra biner (monokrom), citra

skala keabuan (gray scale), citra warna (true color), dan citra warna

berindeks.

Warna adalah tidak lebih dari sekedar respon psycho-physiological

dan intensitas yang berbeda (Ahmad, 2005). Warna sudah sukses

diaplikasikan dalam pencarian image karena memiliki hubungan yang

kuat dengan obyek dalam citra. Setiap piksel mempumyai warna yang

spesifik yang merupakan kombinasi tiga warna dasar : Red (R), Green

(G), dan Blue (B) yang sering disebut dengan citra RGB. Setiap

komponen warna mempunyai intensitas sendiri dengan nilai 0-255.

Contoh warna kuning (gabungan warna merah dan hijau) sehingga nilai

RGBnya : R=255, G=255, dan B=0.

Pada display komputer, warna direpresentasikan oleh model RGB

(Red, Green, Blue). Dalam hal ini, sebuah warna didefinisikan sebagai

jumlah relatif dari intensitas ketiga warna pokok (merah, hijau, dan biru)

yang diperlukan untuk membentuk sebuah warna. Intensitas berkisar dari

0 persen sampai 100 persen dan jumlah bit yang digunakan untuk

merepresentasikan resolusi dari intensitas yang berarti jumlah warna yang

dapat ditampilkan. Intensitas nol untuk ketiga warna pokok berarti hitam

dan intensitas 100 persen untuk ketiga warna pokok adalah putih. Dalam

hal perangkat keras display 24 bit, tiap 24 bit nilai piksel mendefinisikan

sebuah warna yang mengandung 8 bit untuk intensitas warna merah, hijau,

dan biru sehingga dapat menghasilkan kombinasi warna sebanyak 16 277

216 (Ahmad, 2005).

Model warna telah banyak dikembangkan oleh para ahli, seperti

model RGB (Red, Green, Blue), model CMY (Cyan, Magenta, Yellow),

YcbCr (luminase serta dua komponen kromasi Cb dan Cr), dan HIS (Hue,

Saturation, Intensity). Model warna RGB merupakan model warna pokok

aditif, yaitu warna dibentuk dengan mengkombinasikan energi cahaya dari

ketiga warna pokok dalam berbagai perbandingan (Ahmad, 2005). Tabel

16

11 memperlihatkan beberapa model warna yang penting dan deskripsi

serta pemakaiannya.

Tabel 11. Model warna dan deskripsinya

Model Warna Deskripsi

RGB Merah, Hijau, Biru (warna pokok)

Sebuah model warna aditif yang digunakan pada

sistem display.

CMY (K) Cyan, Magenta, Kuning (dan Hitam)

Sebuah model warna subtraktif yang digunakan pada

sitem printer.

YcbCr Luminase (Y) dan dua komponen kromasiti (Cb dan

Cr)

Digunakan dalam siaran gelombang televisi.

HSI Hue, Saturasi, dan Intensity

Berdasarkan pada persepsi manusia terhadap warna. Sumber : Ahmad. U. (2005)

Model warna RGB dapat juga dinyatakan dalam bentuk indeks

warna RGB dengan rumus sebagai berikut :

( )

( )

( )

( )

( )

( )

Dengan R, G, dan B masing-masing berupa besaran yang

menyatakan nilai intensitas warna merah, hijau, dan biru.

D. PENELITIAN TERDAHULU

Teknik pengolahan citra telah banyak dipergunakan dalam bidang pertanian

antara lain penentuan jenis cacat biji kopi, pemutuan edamame, pemeriksaan

mutu karet RSS, pemutuan buah mangga, identifikasi tingkat ketuaan dan

kematangan jeruk lemon dan manggis.

Sofi’i dkk (2005) melakukan penelitian dengan menggunakan teknik

pengolahan citra untuk mengetahui cacat kulit biji kopi yang dilakukan dengan

menggunakan bahasa pemograman Visual Basic 6.0. Masukan dari program

17

pengolahan citra adalah frame foto dari berbagai jenis cacat kopi dan kode-kode

biner jenis cacat yang telah ditentukan terlebih dahulu. Keluaran program

pengolahan citra adalah data-data numerik seperti luas, panjang, roundness,

compactness, indeks merah, indeks hijau, indeks biru, hue (corak), saturasi, dan

intensitas. Selanjutnya data keluaran tersebut digunakan sebagai data training

untuk program training ANN (Artificial Neural Network). Dari penelitian telah

dibangun 2 model ANN untuk pendugaan 26 jenis cacat biji kopi. Model pertama

dengan 10 parameter penduga yaitu luas, panjang, roundness, compactness,

indeks merah, indeks biru, hue (corak), saturasi, dan intensitas dengan akurasi

rata-rata sebesar 72.6 persen dan model kedua dengan 5 parameter penduga yaitu

luas, panjang, roundness, saturasi, dan intensitas dengan akurasi rata-rata sebesar

68.2 persen. Namun beberapa jenis cacat sulit dikenali karena tidak dapat

dibedakan dengan nilai parameter penduga yaitu rata-rata nilai indeks merah,

indeks hijau, indeks biru, hue, saturasi, dan intensitas yang serupa.

Penelitian dengan menggunakan teknik pengolahan citra juga dilakukan

dalam pemutuan hasil pertanian. Soedibyo dkk (2006) melakukan penelitian

dengan teknik pengolahan citra untuk menentukan mutu edamame. Pengolahan

citra yang dilakukan dalam penelitian ini memiliki dua tahap yaitu tahap pertama

yang bertujuan melakukan analisa citra untuk menentukan parameter mutu berupa

panjang polong, area polong, perimeter, area cacat, indeks merah (R), dan indeks

hijau (G). tahap yang kedua bertujuan melakukan analisa parameter mutu

sekaligus menunjukkan kelas mutu dari sampel yang dianalisis. Proses perekaman

citra dilakukan dengan menggunakan handycam yang dihubungkan dengan

komputer. Program pengolahan citra yang digunakan dibuat dengan

menggunakan bahasa pemrograman Borland Delphi7.

Ahmad dkk (2004) juga melakukan penelitian dengan teknik pengolahan

citra untuk menentukan mutu mangga. Dalam penelitian ini, pengolahan citra

dilakukan secara langsung setelah pengambilan citra dilakukan tanpa perlu

menyimpannya terlebih dahulu (real-time). Pengambilan data dilakukan pada tiap

contoh yang meliputi data area, intensitas warna yang ditandai dengan indeks

18

RGB, dan empat macam fitur tekstur (kontras, homogenitas, energi, dan entropi)

untuk setiap tingkatan kelas mutu yang berbeda. Algoritma pengolahan citra

meliputi pengambilan citra, penyimpanan citra, binerisasi berdasarkan nilai

threshold tertentu, labeling atau penandaan obyek, perhitungan area, penentuan

titik tengah obyek, perhitungan indeks RGB dan perhitungan fitur tekstur. Ahmad

dkk (2006) juga melakukan penelitian dengan menggunakan teknik pengolahan

citra dalam pemeriksaan mutu karet asapan. Dari penelitian yang sudah dilakukan

dapat diambil kesimpulan yaitu karakteristik warna permukaan karet asapan atau

ribbed smoke sheet (RSS) yang dianalisis menggunakan pengolahan citra dapat

digunakan sebagai parameter mutu untuk keperluan sortasi dan pemutuan karet

RSS berdasarkan warna. Indeks warna biru dari model RGB dapat digunakan

untuk mengklasifikasikan mutu RSS dengan kesesuaian yang cukup tinggi.

Pengolahan citra dapat juga digunakan untuk mengidentifikasi tingkat

ketuaan dan kematangan hasil pertanian. Damiri dkk (2004) melakukan penelitian

dengan menggunakan teknik pengolahan citra untuk mengidentifikasi tingkat

ketuaan dan kematangan jeruk lemon (Citrus medica). Pengolahan citra dilakukan

dengan menggunakan bahasa pemograman Visual Basic 6.0. Pengukuran yang

dilakukan dengan metode pengolahan citra adalah pengukuran area, roundness,

pengukuran intensitas warna serta pengukuran fitur tekstur. Pengukuran area dan

roundness dilakukan dengan cara mengubah citra warna menjadi citra biner

dengan tujuan membedakan obyek dengan latar belakangnya. Citra kemudian

dianalisis faktor bentuknya yang dinamakan roundness. Area obyek dihitung

dengan cara menghitung jumlah piksel obyek yang berwarna putih. Intensitas

warna yang diukur adalah merah, hijau, dan biru (RGB). Model warna yang

digunakan adalah model warna RGB dan HSI. Fitur obyek yang dianalisis adalah

energi, kontras, homogenitas, serta entropi.

Prianggono dkk (2005) juga melakukan penelitian dengan menyusun

algoritma pengolahan citra untuk mendeteksi jeruk lemon (Citrus medica).

Penelitian ini bertujuan untuk mempelajari, mengkaji, dan menganalisis

karakteristik sinyal-sinyal warna dalam model warna RGB dan HSI dari citra

19

buah jeruk lemon 120 hari setelah bunga mekar dan latarnya sehingga didapatkan

parameter warna yang dapat digunakan sebagai sarana untuk memisahkan antara

buah jeruk lemon dan latarnya. Dari hasil pembacaan citra berwarna dengan

program bahasa C, maka didapat informasi nilai RGB (merah, hijau, dan biru)

pada tiap piksel citra tersebut. Nilai ini kemudian diolah untuk mendapatkan nilai

indeks RGB dan model HSI yang selanjutnya digunakan untuk keperluan analisis.

Dari hasil analisis pada tiap titik piksel obyek dan latar maka bisa didapat

perkiraan nilai yang sesuai untuk digunakan sebagai sarana pemisah citra obyek

dan latar belakang. Pemisahan dikatakan berhasil jika citra biner buah jeruk

lemon hasil thresholding dengan algoritma yang dikembangkan telah terpisah

dengan citra biner latarnya.

Penelitian dengan menggunakan teknik pengolahan citra juga dilakukan

oleh Nurhasanah dkk (2005) untuk mengidentifikasi tingkat ketuaan dan

kematangan manggis. Citra manggis dalam berbagai tingkat ketuaan atau

kematangan diambil dengan menggunakan kamera. Pengolahan citra dilakukan

secara real-time meliputi perhitungan luas, indeks RGB dan HSI serta empat

komponen tekstur. Pengukuran intensitas warna diukur dengan menggunakan

model warna RGB dan HSI. Nilai RGB dan HSI merupakan rata-rata dari semua

nilai RGB dan HSI dari obyek. Pengukuran tekstur dilakukan dengan

menggunakan empat feature yaitu energi, kontras, homogenitas, dan entropi.

Saefurrohman dkk (2004) melakukan penelitian dengan menggunakan image

processsing dan artificial neural network untuk menduga jenis cacat pada biji

kopi robusta (Coffea canephora) berdasarkan komposisi warna. Analisis warna

pada penelitian tersebut menggunakan input parameter RGB. Data yang menjadi

input parameter terdiri dari intensitas rata-rata R, rata-rata G, rata-rata B,

colourvalue, Indeks R, Indeks G, Indeks B, Hue (corak), Saturation (kejenuhan),

dan Intensity. Model artificial neural network dengan algoritma backpropagation

yang dikembangkan memiliki sepuluh input layer, dua puluh hidden layer dan

empat output layer. Sampel yang digunakan dalam proses training sebanyak 859

data dan 579 data sebagai data validasi. Hasil pendugaan pada proses training

20

diperoleh tingkat akurasi total sebanyak 91 persen, terdiri dari 95 persen biji

normal, 100 persen biji hitam, 64 persen biji hitam sebagian dan 95 persen biji

coklat. Sedangkan pada proses validasi menghasilkan akurasi sebesar 80 persen,

terdiri dari 88 persen biji normal, 92 persen biji hitam, 43 persen biji hitam

sebagian dan 63 persen biji coklat.

Rachmasari (2004) juga melakukan penelitian dengan menggunakan

pengolahan citra dan artificial neural network untuk menduga jenis cacat biji kopi

robusta (Coffea canephora) dengan parameter bentuk. Tujuan dari penelitian

tersebut adalah untuk menduga jenis cacat biji kopi berupa biji pecah, biji

berlubang, dan benda asing dan menyusun algoritma pengolahan citra untuk

mendapatkan nilai-nilai parameter yang mencerminkan bentuk dan ukuran biji

kopi yaitu panjang, keliling, roundness, lebar,lebar minimum, lebar maksimum,

selisih lebar, luas, dan selisih luas. Parameter selisih luas merupakan parameter

yang khas yang paling dapat membedakan antara biji utuh dan biji berlubang.

Model artificial neural network dikembangkan dengan 38 input layer, 76 hidden

layer, dan empat output layer. Tingkat akurasi pendugaan pada proses training

mencapai 97.44 persen, dengan tingkat akurasi pada biji utuh mencapai 97.15

persen, biji pecah mencapai 94.38 persen, biji berlubang mencapai 100 persen, dan

benda asing mencapai 98.45 persen. Sedangkan pada proses validasi, tingkat

akurasi pendugaan mencapai 60.45 persen, dengan tingkat akurasi pada biji utuh

mencapai 48.77 persen, biji pecah mencapai 51.43 persen, biji berlubang mencapai

77.71 persen, dan benda asing mencapai 83.78 persen.

Penelitian dengan menggunakan pengolahan citra untuk menduga biji kopi

utuh, biji kopi pecah, biji kopi berlubang dan benda asing untuk evaluasi mutu

kopi dilakukan oleh Sari (2004). Metode yang digunakan pada penelitian tersebut

adalah metode fuzzy. Pada proses training, nilai akurasi keseluruhan yang dicapai

adalah 55.67 persen. pada proses validasi, nilai akurasi keseluruhan yang dicapai

adalah 56.19 persen. Nilai akurasi yang dicapai oleh biji utuh adalah 60.85 persen,

biji pecah 53.08 persen, biji berlubang 48.59 persen dan benda asing 62.29 persen.

Secara keseluruhan hasil yang didapat menunjukkan kinerja sistem yang kurang

21

baik. Karena dari semua parameter yang digunakan tidak menunjukkan suatu ciri

khas pada masing-masing jenis biji sehingga suatu jenis biji dapat diduga sebagai

jenis biji lainnya.