POTENSI TEKNOLOGI PENGOLAHAN CITRA DIGITAL

Oleh: Adnan, SP, MSi

Auditorium Sodikin Somaatmadja, BB Padi Sukamandi

23 Agustus 2013 1

OUTLINE

I. CV

II. Sejarah

III. Teknologi Pengolahan Citra Digital

IV. Penelitian Pada Beberapa Komoditas

V. Pemanfaatan untuk padi

VI. Penutup

2

OUTLINE

I. CV

II. Sejarah

III. Teknologi Pengolahan Citra Digital

IV. Penelitian Pada Beberapa Komoditas

V. Pemanfaatan untuk padi

VI. Penutup

3

CV

Agronomy Science, Bachelor Degree (IPB, 2004)

Postharvest Technology, Master Degree (IPB, 2006)

Candidat Doctor Agriculture Engineering, Goettingen University

4

CV

Postharvestnotes.wordpress.com

ppi-goettingen.de

5

OUTLINE

I. CV

II. Sejarah

III. Teknologi Pengolahan Citra Digital

IV. Penelitian Pada Beberapa Komoditas

V. Pemanfaatan untuk padi

VI. Penutup

6

Aplikasi

7

Munsell Color Chart

8

Color Analizer

9

Literatur

10

HISTORY

11

Dot Matrix

12

MRI

13

14

Sidik Jari

15

Daktiloskopi

16

OUTLINE

I. CV

II. Sejarah

III.Teknologi Pengolahan Citra Digital

IV. Penelitian Pada Beberapa Komoditas

V. Pemanfaatan untuk padi

VI. Penutup

17

Rangkaian Image Process

18

Rangkaian Image Process

19

Device

20

Aplikasi Image Process

21

Aplikasi Image Process

22

Rangkaian Image Process

Private Sub Command1_Click() 'Set Daerah Picture2.Cls For i = Text1 To Text2 Step 15 For j = Text3 To Text4 Step 15 warna = Picture1.Point(i, j) r = warna And RGB(255, 0, 0) g = Int((warna And RGB(0, 255, 0)) / 256) b = Int(Int((warna And RGB(0, 0, 255)) / 256) / 256) Picture2.PSet (i, j), RGB(r, g, b) Next j Next i End Sub

23

Rangkaian Image Process

24

Rangkaian Image Process

25

Rangkaian Image Process

26

OUTLINE

I. CV

II. Sejarah

III. Teknologi Pengolahan Citra Digital

IV. Penelitian Pada Beberapa Komoditas

V. Pemanfaatan untuk padi

VI. Penutup

27

Gembili

28

29

Diskriminan

No Analisis Persentase Benar

1 Warna 29,7%

2 Tekstur 39,5%

3 Bentuk 30,8%

4 Warna+Tekstur 63,8%

5 Warna+Bentuk 52,4%

6 Tekstur+Bentuk 58,9%

7 Warna+Tekstur+Bentuk 75,7%

30

Jeruk

Defect

Mature

Unmature

31

Sortasi

CITRA BERWARNA

R, G, B

CITRA ABU-ABU CITRA BINER

ASM, IDM, ENTROPI,

KORELASI, KONTRAS AREA

32

Sortasi

Analisis Klasifikasi Akurasi Akurasi Rata-rata Warna+

Tekstur+

Ukuran

Matang 100.00%

94.44% Belum Matang 83.33%

Rusak 100.00%

33

Wortel

34

OUTLINE

I. CV

II. Sejarah

III. Teknologi Pengolahan Citra Digital

IV. Penelitian Pada Beberapa Komoditas

V. Pemanfaatan untuk padi

VI. Penutup

35

IDENTIFIKASI BERAS VARIETAS BASMATI, INPARI 1, DAN SINTANUR BERDASARKAN TEKSTUR DAN WARNA

PERMUKAAN MENGGUNAKAN PENGOLAHAN CITRA DIGITAL DAN JARINGAN SYARAF TIRUAN

Adnan1, Bram Kusbiantoro2, dan Suhartini2

36

Rangkaian

37

Identifikasi

Perlu keahlian khusus

Image Process & JST (Yadav dan Jindal, 2007; Kasai et al., 2007; Hwang et al., 2009)

P/L & protein (Thind dan Sogi, 2005)

N absorption efficiency (NAE) dan N utilization efficiency (NUE) (Cheng et al., 2011)

38

Manfaat

Pengendalian Mutu

Identifikasi Varietas

Desain Alat

39

Varietas

Basmati 370

Inpari 1

Sintanur

Mutu 1 SNI 6128:2008

40

Basmati

41

Kalibrasi

Analisis Varietas Akurasi Akurasi

Rata-rata Warna Basmati 46.00%

56.81%

Inpari 1 44.44%

Sintanur 80.00%

Tekstur Basmati 100.00%

99.07%

Inpari 1 97.22%

Sintanur 100.00%

Warna+Tekstur Basmati 100.00%

98.20%

Inpari 1 94.59%

Sintanur 100.00%

42

Validasi

Analisis Varietas Akurasi Akurasi

Rata-rata

Warna Basmati 52.00% 54.83%

Inpari 1 37.50%

Sintanur 75.00%

Tekstur Basmati 100.00% 100.00%

Inpari 1 100.00%

Sintanur 100.00%

Warna+tekstur Basmati 100.00% 97.92%

Inpari 1 93.75%

Sintanur 100.00%

43

PENGUJIAN KUALITAS BERAS VARIETAS SINTANUR PADA BEBERAPA JENIS MUTU

MENGGUNAKAN PENGOLAHAN CITRA DIGITAL DAN JARINGAN SYARAF TIRUAN

BERDASARKAN WARNA DAN TEKSTUR

44

Sintanur

Mutu 1

Mutu 2

Mutu 3

45

Analisis Kelas Mutu Akurasi Akurasi

Rata-rata

Warna Sintanur Mutu 1 36.36% 52.66%

Sintanur Mutu 2 52.38%

Sintanur Mutu 3 69.23%

Tekstur Sintanur Mutu 1 64.29% 72.68%

Sintanur Mutu 2 60.00%

Sintanur Mutu 3 93.75%

Warna+Tekstur Sintanur Mutu 1 60.00% 68.79%

Sintanur Mutu 2 52.63%

Sintanur Mutu 3 93.75%

46

Identifikasi menggunakan JST

Beras, akurasi 74-95% (Liu et al., 2005)

Gandum, akurasi 87.22% (Pazoki dan Pazoki., 2011)

47

Jaringan Syaraf Tiruan

48

IDENTIFIKASI PADI VARIETAS CIHERANG, INPARI 10 DAN INPARI

13 BERDASARKAN ANALISIS GEOMETRI, BENTUK DAN

TEKSTUR INDIVIDU GABAH MENGGUNAKAN PENGOLAHAN

CITRA DIGITAL DAN ANALISIS DISKRIMINAN

Adnan1, Mira Landep Widiastuti2, dan Suhartini2

49

Hasil Scanner

50

Filter Mean

x1y1 X2y1 X3y1

x1y2 X2y2 X3y2

x1y3 X2y3 X3y3

51

Parameter

Geometri padi: a. Area, b. Perimeter, c. Feret maksimum, d. Feret Angle. e. Feret minimum

Analisis bentuk adalah: a. Circular, b. AR, c. Round, d. Solidity.

Analisis tekstur: a. Angular Second Moment (ASM), b. Contrast, c. Correlation d. Inverse Difference Moment (IDM), e. Entropy.

52

Threshold

53

Citra Biner

54

Circularity =

Aspect Ratio (AR) =

Roundness =

Solidity =

55

Citra Abu-abu

Gray =

56

EDA Discriminant Analysis

57

Confussion Matrix 70 Sampel

Confusion Predicted Ciherang Inpari10 Inpari13

Original 1 2 3

Ciherang 1 7 0 0

Inpari10 2 0 6 0

Inpari13 3 0 1 6

58

Confussion Matrix 300 Sampel

Confusion Predicted Ciherang Inpari10 Inpari13

Original 1 2 3

Ciherang 1 88 5 7 Inpari10 2 4 86 10 Inpari13 3 1 10 89

59

OUTLINE

I. CV

II. Sejarah

III. Teknologi Pengolahan Citra Digital

IV. Penelitian Pada Beberapa Komoditas

V. Pemanfaatan untuk padi

VI. Penutup

60

61

62

TERIMAKASIH

63