{"id":118,"date":"2026-06-19T06:36:12","date_gmt":"2026-06-19T06:36:12","guid":{"rendered":"https:\/\/ardheefy.dooha.id\/?p=118"},"modified":"2026-07-09T01:15:50","modified_gmt":"2026-07-09T01:15:50","slug":"cek-kematangan-buah-dengan-phython","status":"publish","type":"post","link":"https:\/\/ardheefy.dsign.id\/?p=118","title":{"rendered":"Cek Kematangan Buah dengan Phython"},"content":{"rendered":"\n

Berikut adalah penjelasan step-by-step<\/em> dari skrip Python yang kamu berikan untuk mendeteksi tingkat kematangan buah menggunakan analisis warna HSV:<\/p>\n\n\n\n

Impor Library yang Dibutuhkan<\/h2>\n\n\n\n
import cv2\nimport numpy as np\nimport matplotlib.pyplot as plt<\/code><\/pre><\/div>\n\n\n\n
    \n
  • cv2<\/code> (OpenCV): Digunakan untuk membaca gambar, mengubah ruang warna, melakukan masking<\/em>, dan menambahkan teks pada gambar.<\/li>\n\n\n\n
  • numpy<\/code> (np): Digunakan untuk memproses matriks piksel, khususnya menentukan batas warna dalam bentuk array<\/em>.<\/li>\n\n\n\n
  • matplotlib.pyplot<\/code> (plt): Digunakan untuk menampilkan hasil gambar akhir di lingkungan seperti Google Colab.<\/li>\n<\/ul>\n\n\n\n
    Memuat dan Mengubah Ukuran Gambar<\/h2>\n\n\n\n
    def cek_kematangan_colab(image_path):\n    img = cv2.imread(image_path)\n    if img is None:\n        print("Gambar tidak ditemukan! Pastikan path file sudah benar di Google Colab.")\n        return\n\n    img_resized = cv2.resize(img, (500, 500))<\/code><\/pre><\/div>\n\n\n\n
      \n
    • Fungsi mendeteksi keberadaan gambar berdasarkan image_path<\/code>. Jika file tidak ditemukan atau path<\/em> salah, proses akan dihentikan.<\/li>\n\n\n\n
    • Gambar yang berhasil dimuat diubah ukurannya menjadi $500 \\times 500$ piksel (img_resized<\/code>) agar ukuran data seragam dan proses komputasi lebih konsisten.<\/li>\n<\/ul>\n\n\n\n
      Konversi Ruang Warna ke HSV<\/h2>\n\n\n\n
      hsv = cv2.cvtColor(img_resized, cv2.COLOR_BGR2HSV)<\/code><\/pre><\/div>\n\n\n\n
        \n
      • Secara default, OpenCV membaca gambar dalam format BGR (Blue, Green, Red).<\/li>\n\n\n\n
      • Gambar dikonversi ke format HSV (Hue, Saturation, Value)<\/strong> karena ruang warna ini jauh lebih stabil dan akurat untuk mendeteksi warna tertentu terlepas dari intensitas cahaya atau bayangan.<\/li>\n<\/ul>\n\n\n\n
        Menentukan Batas Warna (Hijau & Kuning)<\/h2>\n\n\n\n
        lower_green = np.array([35, 40, 40])\nupper_green = np.array([85, 255, 255])\n\nlower_yellow = np.array([15, 40, 40])\nupper_yellow = np.array([35, 255, 255])<\/code><\/pre><\/div>\n\n\n\n
        Di sini ditentukan batas bawah (lower<\/em>) dan batas atas (upper<\/em>) nilai HSV untuk dua kategori warna:<\/p>\n\n\n\n
          \n
        • Hijau<\/strong> (mewakili buah mentah): Rentang Hue sekitar 35 hingga 85.<\/li>\n\n\n\n
        • Kuning<\/strong> (mewakili buah matang): Rentang Hue sekitar 15 hingga 35.<\/li>\n<\/ul>\n\n\n\n
          Segmentasi Warna (Masking<\/em>) dan Penghitungan Piksel<\/h2>\n\n\n\n
          mask_green = cv2.inRange(hsv, lower_green, upper_green)\n    mask_yellow = cv2.inRange(hsv, lower_yellow, upper_yellow)\n\n    pixels_green = cv2.countNonZero(mask_green)\n    pixels_yellow = cv2.countNonZero(mask_yellow)\n    total_pixels = pixels_green + pixels_yellow<\/code><\/pre><\/div>\n\n\n\n
            \n
          • cv2.inRange<\/code> membuat gambar biner (mask<\/em>). Piksel yang masuk dalam rentang warna akan diubah menjadi putih (255), dan yang di luar rentang menjadi hitam (0).<\/li>\n\n\n\n
          • cv2.countNonZero<\/code> menghitung jumlah piksel yang berwarna putih pada masing-masing mask<\/em> untuk mengetahui seberapa banyak warna hijau dan kuning yang terdeteksi.<\/li>\n\n\n\n
          • total_pixels<\/code> adalah jumlah gabungan dari piksel hijau dan kuning yang ditemukan.<\/li>\n<\/ul>\n\n\n\n
            Klasifikasi Tingkat Kematangan<\/h2>\n\n\n\n
            if total_pixels == 0:\n        status = "Warna buah tidak dikenali (Bukan hijau\/kuning)"\n        warna_teks = (255, 0, 0)\n    else:\n        persen_matang = (pixels_yellow \/ total_pixels) * 100\n\n        if persen_matang > 80:\n            status = f"Matang Sempurna ({persen_matang:.1f}%)"\n            warna_teks = (0, 255, 0)\n        elif persen_matang > 30:\n            status = f"Hampir Matang ({persen_matang:.1f}%)"\n            warna_teks = (255, 165, 0)\n        else:\n            status = f"Mentah ({persen_matang:.1f}%)"\n            warna_teks = (0, 0, 255)<\/code><\/pre><\/div>\n\n\n\n
              \n
            • Jika tidak ada piksel kuning atau hijau sama sekali (total_pixels == 0<\/code>), sistem mengeluarkan status tidak dikenali.<\/li>\n\n\n\n
            • Jika ada, sistem menghitung persentase kematangan berdasarkan perbandingan piksel kuning terhadap total piksel warna yang terdeteksi.<\/li>\n\n\n\n
            • Logika Keputusan:<\/strong>\n
                \n
              • > 80 berarti Matang Sempurna<\/strong> (Teks Hijau)<\/li>\n\n\n\n
              • 30\\% – 80% berarti  Hampir Matang<\/strong> (Teks Oranye)<\/li>\n\n\n\n
              • <= 30\\% berarti  Mentah<\/strong> (Teks Merah)<\/li>\n<\/ul>\n<\/li>\n<\/ul>\n\n\n\n
                Menambahkan Teks pada Gambar<\/h2>\n\n\n\n
                cv2.putText(img_resized, f"Status: {status}", (20, 40),\ncv2.FONT_HERSHEY_SIMPLEX, 0.7, warna_teks, 2)<\/code><\/pre><\/div>\n\n\n\n
                Hasil klasifikasi berupa teks status<\/code> dicetak langsung di atas gambar img_resized<\/code> pada koordinat $(20, 40)$ dengan warna yang sesuai (warna_teks<\/code>).<\/p>\n\n\n\n
                Konversi Balik dan Menampilkan Gambar<\/h2>\n\n\n\n
                img_rgb = cv2.cvtColor(img_resized, cv2.COLOR_BGR2RGB)\n\n    plt.figure(figsize=(6, 6))\n    plt.imshow(img_rgb)\n    plt.axis('off')\n    plt.show()<\/code><\/pre><\/div>\n\n\n\n
                  \n
                • Sebelum ditampilkan menggunakan Matplotlib, gambar dikonversi kembali dari format BGR ke RGB<\/strong>. Jika tidak dikonversi, warna gambar yang muncul di Google Colab akan tertukar (misalnya merah menjadi biru).<\/li>\n\n\n\n
                • plt.imshow<\/code> dan plt.show()<\/code> digunakan untuk merender gambar tersebut langsung di dalam notebook<\/em> Colab tanpa membuka jendela baru.<\/li>\n<\/ul>\n\n\n\n
                  Eksekusi Program Utama<\/h2>\n\n\n\n
                  if __name__ == "__main__":\n    cek_kematangan_colab("drive\/MyDrive\/AI\/mentah.jpg")<\/code><\/pre><\/div>\n\n\n\n
                  Bagian ini menjalankan fungsi utama dengan memasukkan jalur (path<\/em>) gambar mentah yang tersimpan di Google Drive kamu sebagai target analisis.<\/p>\n\n\n\n
                  \n
                  \n
                  \"\"<\/figure>\n<\/div>\n\n\n\n
                  \n
                  \"\"<\/figure>\n<\/div>\n<\/div>\n\n\n\n
                  Hasilnya bisa dilihat pada video berikut ini<\/p>\n\n\n\n